Phi-3 模型系列是Microsoft 小型语言模型 (SLM) 系列中的最新产品。
它们旨在具有高性能和高性价比，在语言、推理、编码和数学等各种基准测试中的表现均优于同类和更大规模的模型。Phi-3 模型的推出扩大了 Azure 客户的高质量模型选择范围，为他们编写和构建生成式 AI 应用程序时提供了更多实用的选择。
参考链接：
微软 Azure AI 、Phi-3等免费试用申请
自 2024 年 4 月推出以来，我们收到了许多来自客户和社区成员的宝贵反馈，他们就 Phi-3 模型的改进领域提出了宝贵意见。今天，我们很自豪地宣布推出Phi-3.5-mini、Phi-3.5-vision以及 Phi 系列的新成员Phi-3.5-MoE，这是一种混合专家 (MoE) 模型。Phi-3.5-mini 通过 128K 上下文长度增强了多语言支持。 Phi-3.5-vision 改进了多帧图像理解和推理，提升了单图像基准测试的性能。Phi-3.5-MoE 拥有 16 位专家和 6.6B 个活动参数，可提供高性能、低延迟、多语言支持和强大的安全措施，在保持 Phi 模型功效的同时，优于大型模型。
Phi- 3.5 SLM 中的质量与尺寸图
Phi-3.5-MoE：专家混合
Phi-3.5-MoE 是 Phi 模型系列的最新成员。它由 16 位专家组成，每位专家包含 38 亿个参数。总模型大小为 420 亿个参数，使用两位专家时可激活 66 亿个参数。在质量和性能方面，此 MoE 模型优于类似大小的密集模型。它支持 20 多种语言。与 Phi-3 同类模型一样，MoE 模型采用了强大的安全后训练策略，使用开源和专有合成指令和偏好数据集的组合。此后训练过程结合了监督微调 (SFT) 和直接偏好优化 (DPO)，同时利用人工标记和合成数据集。这些数据集包括专注于有用性和无害性的数据集，以及多个安全类别。Phi-3.5-MoE 还支持高达 128K 的上下文长度，使其能够处理大量长上下文任务。
为了了解模型质量，我们将 Phi-3.5-MoE 与一系列基准上的模型进行了比较，如表 1 所示：
表 1：Phi-3.5-MoE 模型质量
我们在下表中仔细研究了不同类别的公共基准数据集：
表 2：Phi-3.5-MoE 模型在各种功能上的质量
仅具有 6.6B 活动参数的 Phi-3.5-MoE 实现了与更大规模模型类似的语言理解和数学水平。此外，该模型在推理能力方面优于更大的模型。该模型为各种任务提供了良好的微调能力。表 3 突出显示了 Phi-3.5-MoE 在多语言 MMLU、MEGA 和多语言 MMLU-pro 数据集上的多语言能力。总体而言，我们观察到，即使只有 6.6B 活动参数，与其他具有更大活动参数的模型相比，该模型在多语言任务上也非常具有竞争力。
多语言能力
表 3：Phi-3.5-MoE 多语言基准
下表显示了一些受支持语言的多语言 MMLU 分数。
表 4：Phi-3.5-MoE 多语言 MMLU 基准
Phi-3.5-迷你
Phi-3.5-mini 模型已使用多语言合成和高质量过滤数据进行了进一步的预训练。随后进行了一系列后训练步骤，包括监督微调 (SFT)、近端策略优化 (PPO) 和直接偏好优化 (DPO)。这些过程利用了人工标记、合成和翻译数据集的组合。
模型质量
在深入研究语言模型的功能时，了解它们之间的比较至关重要。这就是为什么我们利用我们的内部基准测试平台对 Phi-3.5-mini 以及最近表现最佳的大型模型进行测试。在高层次概述中，表 1 提供了关键基准测试中模型质量的快照。尽管其紧凑尺寸仅为 3.8B 个参数，但这种高效模型不仅能与其他大型模型的性能相媲美，而且往往能超越它们。
表 5：Phi-3.5-mini 模型质量
多语言能力
Phi-3.5-mini 是我们最新的 3.8B 模型更新。该模型使用了额外的持续预训练和后训练数据，从而显著提高了多语言、多轮对话质量和推理能力。该模型已针对以下列出的精选语言进行了训练：阿拉伯语、中文、捷克语、丹麦语、荷兰语、英语、芬兰语、法语、德语、希伯来语、匈牙利语、意大利语、日语、韩语、挪威语、波兰语、葡萄牙语、俄语、西班牙语、瑞典语、泰语、土耳其语和乌克兰语。
下表 6 重点介绍了 Phi-3.5-mini 在多语言 MMLU、MGSM、MEGA 和多语言 MMLU-pro 数据集的平均语言特定分数上的多语言能力。
表 6：Phi-3.5-mini 多语言质量
下表 7 显示了一些受支持语言的多语言 MMLU 分数。
表 7：Phi-3.5-mini 多语言 MMLU 在选定语言集上的质量
Phi-3.5-mini 在多语言支持方面比 Phi-3-mini 有了显著的改进。阿拉伯语、荷兰语、芬兰语、波兰语、泰语和乌克兰语在新 Phi 版本中得到了最大的提升，性能提高了 25-50%。从更广泛的角度来看，Phi-3.5-mini 在任何 8B 以下模型中都表现出最佳性能，包括英语以及多种语言。值得注意的是，该模型使用 32K 词汇表并针对上述资源较高的语言进行了优化，不建议在未进一步微调的情况下将其用于资源较少的语言。
长上下文
Phi-3.5-mini 支持 128K 上下文长度，在总结长文档或会议记录、基于长文档的 QA 和信息检索等任务中表现出色。Phi-3.5 的表现优于仅支持 8K 上下文长度的 Gemma-2 系列。此外，Phi-3.5-mini 与更大的开放权重模型（如 Llama-3.1-8B-instruct、Mistral-7B-instruct-v0.3 和 Mistral-Nemo-12B-instruct-2407）相比具有很强的竞争力。表 8 列出了各种长上下文基准。
Ruler：基于检索的长上下文理解基准
RepoQA：长上下文代码理解的基准
表 8：Phi-3.5-mini 长上下文基准
Phi-3.5-mini-instruct 仅具有 3.8B 参数、128K 上下文长度和多语言支持，是此类别中唯一的模型。值得注意的是，我们选择支持更多语言，同时在各种任务上保持英语性能。由于模型容量有限，这可能导致模型上的英语知识优于其他语言。对于多语言知识密集型任务，我们建议在 RAG 设置中使用该模型。
具有多帧输入的Phi-3.5视觉
Phi-3.5-vision 引入了基于宝贵客户反馈开发的多帧图像理解和推理的尖端功能。这项创新支持详细图像比较、多图像摘要/故事讲述和视频摘要，可在各种场景中提供广泛的应用。
例如，查看多张幻灯片的总结模型输出：
Phi-3.5-vison 模型输出用于幻灯片摘要
值得注意的是，Phi-3.5-vision 在众多单图像基准测试中表现出了显著的性能提升。例如，它将 MMMU 性能从 40.4 提升到了 43.0，将 MMBench 性能从 80.5 提升到了 81.9。此外，文档理解基准测试 TextVQA 也从 70.9 提升到了 72.0。
下表显示了两个著名多图像/视频基准的详细比较结果，展示了增强的性能指标。值得注意的是，Phi-3.5-Vision 并未针对多语言用例进行优化。建议不要在未进一步微调的情况下将其用于多语言场景。
表 9：Phi-3.5-vision 任务基准
表 10：Phi-3.5-vision VideoMME 基准
安全
Phi-3 系列模型是根据Microsoft 负责任的 AI 标准开发的，该标准是一套基于以下六项原则的全公司范围的要求：问责制、透明度、公平性、可靠性和安全性、隐私和安全以及包容性。与之前的 Phi-3 模型一样，也采用了多方面的安全评估和安全后训练方法，并采取了额外措施来考虑此版本的多语言功能。我们的安全训练和评估方法（包括跨多种语言和风险类别的测试）概述在Phi-3 安全后训练论文中。虽然 Phi-3 模型受益于这种方法，但开发人员应该应用负责任的 AI 最佳实践，包括映射、衡量和减轻与其特定用例以及文化和语言环境相关的风险。
优化版本
ONNX Runtime为 Phi 系列模型提供优化的推理。您可以使用此 示例在各种硬件目标上优化 Phi-3.5-mini 。请继续关注未来几周内最新 Phi-3.5 模型的更新 ONNX 变体。
更可预测的输出
我们将Guidance引入 Azure AI Studio 中的 Phi-3.5-mini 无服务器端点产品，通过定义针对应用程序量身定制的结构，使输出更加可预测。借助 Guidance，您可以消除昂贵的重试，并且可以例如限制模型从预定义列表（例如医疗代码）中进行选择，将输出限制为来自所提供上下文的直接引语，或遵循任何正则表达式。Guidance 在推理堆栈中逐个引导模型令牌，将成本和延迟降低 30-50%，这使其成为Phi-3-mini 无服务器端点的独特且有价值的附加组件。
结束语
Phi-3.5-mini 已成为 LLM 领域中独一无二的产品，仅拥有 3.8B 参数、128K 上下文长度和多语言支持。Phi-3.5-mini 是创建高效多语言模型的里程碑，在广泛的语言支持和专注于英语的性能之间取得了微妙的平衡。鉴于模型容量较小，用户可能会发现模型中英语知识的密度超过了其他语言。在处理多语言、知识密集型任务时，建议在检索增强生成 (RAG)设置中使用Phi-3.5-mini。此配置可以通过利用外部数据源显著提高模型在不同语言中的性能，从而减轻其紧凑架构所带来的语言特定限制。
Phi-3.5-MoE具有 16 个小型专家，可提供高质量的性能和降低的延迟，支持 128k 上下文长度和多种语言，并具有强大的安全措施。它超越了更大的模型，可以通过微调针对各种应用进行定制，同时保持 6.6B 活动参数的效率。
Phi-3.5-vision在多帧图像理解和推理方面取得了进展，提高了单图像基准测试性能。
Phi -3.5模型系列为开源社区和 Azure 客户提供了经济高效、功能强大的选项，突破了小型语言模型和生成式 AI 的界限。