极客说｜微软新模型：Phi-4 来了

Phi-4 在仅有 140 亿（14B）个参数的情况下，通过创新的训练方法和高质量的数据，展现出了媲美甚至超越一些更大规模模型的性能。本文将详细介绍 Phi-4 的架构、特点、训练方法，以及在实际应用和评测基准中的表现。

后续 Phi-4 的测试会放到这个 repo 的 LLM 目录下：

https://github.com/xinyuwei-david/david-share.git

看指标测能力

下面测三道题，对比 o1 和 Phi-4。

第一题

Phi-4

o1

第二题

Phi-4

o1

第三题

Phi-4

o1

要求五个连续偶数的平均数，已知它们的和为90，下面我们逐步解答。

步骤1：设未知数

设这五个连续的偶数为：

第一个偶数：( n - 4 )

第二个偶数：( n - 2 )

第三个偶数：( n )

第四个偶数：( n + 2 )

第五个偶数：( n + 4 )

（因为偶数之间相差2，所以相邻的偶数可以这样表示）

步骤2：列方程求和

根据题目，五个数的和为90：

[

(n - 4) + (n - 2) + n + (n + 2) + (n + 4) = 90

]

步骤3：简化方程

合并同类项：

[

5n = 90

]

步骤4：求解n

[

n = \frac{90}{5} = 18

]

步骤5：求出五个偶数

第一个偶数：( 18 - 4 = 14 )

第二个偶数：( 18 - 2 = 16 )

第三个偶数：( 18 )

第四个偶数：( 18 + 2 = 20 )

第五个偶数：( 18 + 4 = 22 )

步骤6：计算平均数

平均数等于总和除以数量：

[

\text{平均数} = \frac{14 + 16 + 18 + 20 + 22}{5} = \frac{90}{5} = 18

]

答案：这五个连续的偶数的平均数是 18。

这样看的话，Phi-4 的推理能力还是可以的。

Phi-4 模型架构

基于 Transformer 的解码器架构

Phi-4 采用了基于 Transformer 的解码器（Decoder-only）架构，与 GPT 系列模型类似。这种架构利用自注意力机制（Self-Attention Mechanism），能够有效捕捉文本序列中的长期依赖关系，擅长处理自然语言生成任务。

参数规模与层数

• 参数总量：140 亿（14B）个参数。

• 模型层数：40层

上下文长度

• 初始上下文长度：4,096 个 Token。

• 中期训练扩展：在中期训练阶段，Phi-4 的上下文长度扩展到了 16,000个 Token（16K），提高了模型处理长文本的能力。

词汇表与分词器

• 分词器：采用了 OpenAI 的 tiktoken 分词器，支持多语言，并具有更好的分词效果。

• 词汇表大小：100,352，包括了一些预留的未使用 Token。

注意力机制与位置编码

全局注意力机制

Phi-4 使用了全注意力机制（Full Attention），即对整个上下文序列进行自注意力计算。这与前代模型不同，Phi-3-medium 采用了 2,048 Token 的滑动窗口，而 Phi-4 则直接对 4,096 Token（初始）和 16,000 Token（扩展后）的上下文进行全局注意力计算，提高了模型对长距离依赖的捕捉能力。

旋转位置编码（RoPE）

为了支持更长的上下文长度，Phi-4 在中期训练中调整了旋转位置编码（Rotary Position Embeddings, RoPE）的基频：

• 基频调整：将 RoPE 的基频增加到250,000，以适应 16K 的上下文长度。

• 作用：RoPE 有助于模型在长序列中保持位置编码的有效性，使得模型能够在更长的文本中保持良好的性能。

训练策略与方法

数据质量优先的理念

Phi-4 的训练策略以数据质量为核心。与其他主要使用互联网有机数据（如网页内容、代码等）进行预训练的模型不同，Phi-4 在整个训练过程中战略性地引入了合成数据。

合成数据的生成与应用

合成数据在 Phi-4 的预训练和中期训练中扮演了关键角色：

• 多种数据生成技术：

• 多代理提示（Multi-Agent Prompting）：利用多个语言模型或代理共同生成数据，丰富了数据的多样性。

• 自我修正流程（Self-Revision Workflows）：模型生成初始输出后，进行自我评估和修正，迭代提升输出质量。

• 指令反转（Instruction Reversal）：从已有的输出生成对应的输入指令，增强模型的指令理解和生成能力。

• 合成数据的优势：

• 结构化和渐进式学习：合成数据可以精确控制难度和内容，逐步引导模型学习复杂的推理和问题解决能力。

• 提高训练效率：合成数据的生成可以针对模型的薄弱环节，提供针对性的训练数据。

• 避免数据污染：由于合成数据是生成的，避免了训练数据中包含评测集内容的风险。

有机数据的精细筛选和过滤

除了合成数据，Phi-4 还注重从多种来源精心挑选和过滤高质量的有机数据：

• 数据来源：包括 Web 内容、书籍、代码库、学术论文等。

• 数据过滤：

• 去除低质量内容：使用自动化和手动方法，过滤掉无意义、错误、重复或有害的内容。

• 防止数据污染：采用混合 n-gram 算法（13-gram 和 7-gram）进行去重和去污染，确保训练数据不包含评测集的内容。

数据混合策略

Phi-4 在训练数据的组成上进行了优化，具体配比如下：

• 合成数据：占 40%。

• 网络改写数据（Web Rewrites）：占 15%，对高质量的 Web 内容进行改写，生成新的训练样本。

• 有机 Web 数据：占 15%，精选过的有价值的 Web 内容。

• 代码数据：占 20%，包括公开代码库和生成的代码合成数据。

• 目标获取数据（Targeted Acquisitions）：占 10%，包括学术论文、专业书籍等高价值内容。

多阶段训练流程

预训练阶段：

• 目标：建立模型的基础语言理解和生成能力。

• 数据量：约 10 万亿（10T）个 Token。

中期训练阶段：

• 目标：扩展上下文长度，提升长文本处理能力。

• 数据量：2,500 亿（250B）个 Token。

后训练阶段（微调）：

• 监督微调（SFT）：使用高质量的多领域数据进行微调，改进模型的指令遵循能力和回答质量。

• 直接偏好优化（DPO）：利用关键 Token 搜索（Pivotal Token Search, PTS）等方法，进一步优化模型的输出。

创新的训练技术

关键 Token 搜索（Pivotal Token Search, PTS）

PTS 方法是 Phi-4 训练过程中的一大创新：

• 原理：通过识别在生成过程中对答案正确性有重大影响的关键 Token，针对性地优化模型在这些 Token 上的预测。

• 优势：

• 提高训练效率：将优化重点放在对结果影响最大的部分，事半功倍。

• 改善模型性能：有助于模型在关键决策点上做出正确选择，提高整体输出质量。

改进的直接偏好优化（DPO）

• DPO 方法：直接使用偏好数据进行优化，使模型的输出更符合人类的偏好。

• 创新点：

• 结合 PTS：在 DPO 中引入 PTS 生成的训练数据对，提高优化效果。

• 评估指标：通过对模型在关键 Token 上的表现进行评估，更精确地衡量优化效果。

模型特点与优势

卓越的性能

• 小模型，大能力：虽然参数规模仅为 14B，但 Phi-4 在多个评测基准上表现出色，尤其是在推理和问题解决任务上。

优异的推理能力

• 数学和科学问题解决：在 GPQA、MATH 等基准测试中，Phi-4 的得分甚至超过了其教师模型 GPT-4o。

长上下文处理能力

• 上下文长度扩展：通过在中期训练中将上下文长度扩展到 16,000个 Token，Phi-4 能够更有效地处理长文本和长距离依赖。

多语言支持

• 覆盖多种语言：训练数据包括了德语、西班牙语、法语、葡萄牙语、意大利语、印地语、日语等多种语言。

• 跨语言能力：在翻译、跨语言问答等任务上表现出色。

安全性和合规性

• 负责任的 AI 原则：开发过程中严格遵循微软的负责任 AI 原则，注重模型的安全性和道德性。

• 数据去污染和隐私保护：采用严格的数据去重和过滤策略，防止训练数据中包含敏感内容。

评测基准与性能表现

外部评测基准

Phi-4 在多个公开的评测基准上展现了领先的性能：

• MMLU（多任务语言理解）：在复杂的多任务理解测试中取得了优异的成绩。

• GPQA（研究生水平的 STEM 问答）：在高难度的 STEM 问答中表现突出，得分超过了一些更大规模的模型。

• MATH（数学竞赛）：在数学问题解决方面，Phi-4 展现了强大的推理和计算能力。

• HumanEval / HumanEval+（代码生成）：在代码生成和理解任务中，Phi-4 的得分超越了同规模的模型，甚至接近更大规模的模型。

内部评测套件（PhiBench）

为了深入了解模型的能力和不足，团队开发了专门的内部评测套件PhiBench：

• 多样化的任务：包括代码调试、代码补全、数学推理、错误识别等。

• 指导模型优化：通过对 PhiBench 的成绩分析，团队能够有针对性地改进模型。

安全性与责任

严格的安全对齐策略

Phi-4 的开发遵循微软的负责任 AI 原则，在训练和微调过程中注重模型的安全性和道德性：

• 防范有害内容：通过在后训练阶段加入安全微调数据，减少模型生成不当内容的概率。

• 红队测试和自动评估：进行了广泛的红队测试和自动化的安全评估，覆盖数十种潜在的风险类别。

数据去污染和防止过拟合

• 强化的数据去污染策略：使用混合的 13-gram 和 7-gram 算法，去除训练数据中可能与评测基准重叠的内容，防止模型过拟合。
  

训练资源与时间

训练时间

虽然官方报告未明确指出 Phi-4 的总训练时间，但考虑到：

• 模型规模：14B 参数。

• 训练数据量：预训练阶段 10T Token，中期训练 250B Token。

可以推测，整个训练过程耗费了相当长的时间。

GPU 资源消耗

GPUs	1920 H100-80G
Training time	21 days
Training data	9.8T tokens

应用与局限性

应用场景

• 问答系统：Phi-4 在复杂的问答任务中表现出色，适用于各类智能问答应用。

• 代码生成与理解：在编程任务中有优异表现，可用于代码辅导、自动生成和调试等场景。

• 多语言翻译与处理：支持多种语言，适用于全球化的语言服务。

潜在局限性

• 知识截止性：模型的知识截止于训练数据，对于训练后发生的事件可能不了解。

• 长序列挑战：虽然上下文长度扩展到了 16K，但在处理更长的序列时，可能仍然存在挑战。

• 风险控制：尽管采取了严格的安全措施，但模型可能仍会受到对抗性攻击或意外生成不当内容。

Phi-4 的成功展示了数据质量和训练策略在大型语言模型发展中的重要性。通过创新的合成数据生成方法、精心的训练数据混合策略以及先进的训练技术，Phi-4 在保持较小参数规模的情况下，实现了卓越的性能：

• 推理能力突出：在数学、科学和编程等领域表现优异。

• 长文本处理：扩展的上下文长度，使模型在长文本处理任务中具有优势。

• 安全和责任：严格遵循负责任 AI 原则，确保模型的安全性和道德性。

Phi-4 为小参数量模型的发展树立了新的标杆，证明了通过专注于数据质量和训练策略，即使在较小的参数规模下，也能实现卓越的性能。