---
title: "Phi (Microsoft) (BG)"
source: "https://systems-analysis.info/int/Phi_(Microsoft)_(BG)"
wiki: "systems-analysis.info/int"
article: "Phi_(Microsoft)_(BG)"
language: "bg"
categories:
  - "Category:Bulgarian"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
revision_id: 5595
wiki_created_at: 2026-09-06T23:51:29Z
wiki_modified_at: 2026-09-06T23:51:29Z
downloaded_at: 2026-09-07T23:09:21Z
---

# Phi (Microsoft) (BG)

**Phi** — това е семейство от малки езикови модели (Small Language Models, SLM), разработено от Microsoft Research. Тези модели представляват парадигмална промяна в разработката на ИИ и показват, че компактните и изчислително ефективни модели могат да постигат производителност, сравнима с много по-големи системи. За разлика от традиционния подход, основан на мащабиране на броя параметри, философията на Phi се фокусира върху качеството на обучителните данни и иновативните методи за тренировка<sup>[\[1\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-1)</sup>.

Моделите Phi са оптимизирани за задачи, изискващи дълбоки логически разсъждения, като програмиране, математика и анализ на текст. Благодарение на малкия си размер, те са идеално подходящи за разгръщане на локални устройства (on-device AI), включително смартфони и лаптопи, което открива нови възможности за демократизация на ИИ<sup>[\[2\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-2)</sup>.

## Философия: „Учебниците са всичко, от което се нуждаете"

Централната хипотеза, залегнала в основата на проекта Phi, е, че за обучението на високопроизводителен модел качеството на данните е по-важно от техния обем. Тази идея е формулирана за пръв път в изследователската работа **„Textbooks Are All You Need"**<sup>[\[3\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-3)</sup>. Вместо да се обучават върху трилиони token-и от нефилтриран уеб, моделите Phi се обучават върху внимателно подбран и синтетично генериран dataset, който по качество наподобява учебник.

Ключови принципи на този подход:

- **Данни „с качество на учебник":** Обучителният корпус се състои от чист, логически последователен и обяснителен материал, вдъхновен от детски книги.
- **Синтетични данни:** Значителна част от данните се генерират с помощта на големи модели (например GPT-4). Например, за обучението на **Phi-4** са създадени 400 милиарда token-а от висококачествено синтетично съдържание чрез повече от 50 потребителски конвейера<sup>[\[4\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-4)[\[5\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-5)</sup>.
- **Итеративно обучение:** Процесът на създаване на данни и обучение на модела протича итеративно, което позволява непрекъснато подобряване на качеството както на данните, така и на самия модел.

Този подход позволява на моделите Phi да развиват дълбоки способности за разсъждение, а не просто да запаметяват статистически модели.

## Еволюция на моделите Phi

- **Phi-1 (1.3 млрд параметра):** Първият модел, представен през юни 2023 г., беше фокусиран върху програмиране на Python. Той демонстрира превъзходна производителност на benchmark-овете HumanEval и MBPP, доказвайки ефективността на подхода, основан на качествени данни<sup>[\[6\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-6)</sup>.

<!-- -->

- **Phi-2 (2.7 млрд параметра):** Пуснат през декември 2023 г., Phi-2 разшири своите възможности до общо разбиране на езика, запазвайки компактната архитектура. Този модел показа, че SLM могат да постигат производителност, сравнима с модели, които са десетки пъти по-големи<sup>[\[7\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-7)</sup>.

<!-- -->

- **Phi-3 (3.8 - 14 млрд параметра):** Семейството, представено през април 2024 г., се превърна в пробив в областта на мобилния ИИ. **Phi-3-mini** (3.8 млрд) е способен да работи на смартфони, постигайки производителност, сравнима с Mixtral 8x7B и GPT-3.5<sup>[\[8\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-8)</sup>. Семейството включва също версиите **Phi-3-small** (7 млрд) и **Phi-3-medium** (14 млрд).

<!-- -->

- **Phi-3.5 (3.8 - 6.6 млрд активни параметра):** Обявено през 2024 г., това семейство включва три ключови модела:
  - **Phi-3.5-mini-instruct:** Оптимизирана версия с подобрена многоезична поддръжка.
  - **Phi-3.5-MoE-instruct:** Модел, базиран на архитектурата Mixture-of-Experts с 16 експерта и 6.6 млрд активни параметра.
  - **Phi-3.5-Vision-instruct:** Мултимодален модел за обработка на текст и изображения<sup>[\[9\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-9)</sup>.

<!-- -->

- **Phi-4 (14 млрд параметра):** Модел, специализиран в сложни математически разсъждения. Той демонстрира производителност, сравнима с Gemini-1.5-Flash и GPT-4o-mini, при значително по-малък размер. **Phi-4-reasoning** превъзхожда DeepSeek-R1-Distill-Llama-70B<sup>[\[10\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-10)</sup>.
- **Phi-4-Multimodal (5.6 млрд параметра):** Първият напълно мултимодален модел в семейството, способен едновременно да обработва текст, изображения и аудио. Той използва иновативния подход **Mixture-of-LoRAs** за ефективна обработка на различни модалности без взаимни смущения<sup>[\[11\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-11)</sup>.

## Архитектура и технически особености

- **Архитектура:** Моделите Phi използват стандартна transformer архитектура от тип „само декодер" (decoder-only) с ключови оптимизации като **Grouped Query Attention** и **Flash Attention** за повишаване на ефективността<sup>[\[12\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-12)</sup>.
- **Локално разгръщане:** Моделите са оптимизирани за работа на устройства с ограничени ресурси. Например **Phi-3-mini** изисква само 1.8 ГБ памет при 4-битово квантуване и може да работи на iPhone 14<sup>[\[13\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-13)</sup>.
- **Поддръжка на framework-ове:** Моделите Phi са достъпни чрез **Microsoft Azure AI Model Catalog**, **Hugging Face**, **Ollama** и **NVIDIA NIM microservices**, което осигурява тяхната широка интеграция и достъпност за разработчици<sup>[\[14\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-14)</sup>.

## Производителност и benchmark-ове

| Модел            | Параметри | MMLU | MT-Bench | HumanEval         |
|------------------|-----------|------|----------|-------------------|
| **Phi-3-mini**   | 3.8B      | 69%  | 8.38     | \-                |
| **Phi-3-small**  | 7B        | 75%  | 8.7      | \-                |
| **Phi-3-medium** | 14B       | 78%  | 8.9      | \-                |
| **Phi-4**        | 14B       | \-   | \-       | Превъзхожда GPT-4 |

Сравнителна производителност на моделите Phi на ключови benchmark-ове

**Phi-4** демонстрира изключителни резултати в математически задачи, включително American Mathematics Competitions (AMC), показвайки производителност, сравнима с Gemini-1.5-Flash<sup>[\[15\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-15)</sup>. Мултимодалният **Phi-3.5-Vision** превъзхожда конкурентите с подобен размер, постигайки 57.0% на benchmark-а BLINK<sup>[\[16\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-16)</sup>.

## Специализирани приложения

Моделите Phi демонстрират висока ефективност в нишови области:

- **Медицина:** Изследванията показват умерена корелация на отговорите на Phi-3 с оценките на експерти в медицински и спортни текстове<sup>[\[17\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-17)</sup>.
- **Откриване на реч на омраза:** Моделът HateTinyLLM, базиран на Phi-2, постига над 80% точност в тази задача с използване на LoRA fine-tuning<sup>[\[18\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-18)</sup>.
- **Игрови стратегии:** Моделът SC-Phi2 показа възможности в предсказването на стратегии в играта StarCraft II<sup>[\[19\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-19)</sup>.

## Отговорен ИИ и безопасност

Семейството Phi е разработено в съответствие със стандартите на **Microsoft Responsible AI**, които включват принципите на отчетност, прозрачност, справедливост и безопасност. Моделите преминават многостранна оценка на безопасността, включително **Supervised Fine-Tuning (SFT)** и **Direct Preference Optimization (DPO)**, както и тестване на различни езици и в категории на риска<sup>[\[20\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-20)</sup>.

## Ограничения

Въпреки впечатляващите резултати, моделите Phi могат да отстъпват на специализирани големи модели в някои сложни задачи. Например **Phi-4** показва добри резултати в разсъждения от тип chain-of-thought, но е ограничен от липсата на възможност за извикване на функции (function calling)<sup>[\[21\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-21)</sup>. Освен това, въпреки че **Phi-3.5** поддържа повече от 20 езика, неговата производителност може да варира и изследванията показват неточности в отговорите на езици, различни от английски<sup>[\[22\]](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_note-22)</sup>.

## Литература

- Gunasekar, S.; et al. (2023). *Textbooks Are All You Need*. arXiv:2306.11644.
- Gunasekar, S.; et al. (2023). *Textbooks Are All You Need II: phi‑1.5 Technical Report*. arXiv:2309.05463.
- Dao, T.; et al. (2022). *FlashAttention: Fast and Memory‑Efficient Exact Attention with IO‑Awareness*. arXiv:2205.14135.
- Zheng, S.; et al. (2023). *GQA: Training Generalized Multi‑Query Transformer Models for Faster Decoding*. arXiv:2305.13245.
- Feng, W.; et al. (2024). *Mixture‑of‑LoRAs: An Efficient Multitask Tuning for Large Language Models*. arXiv:2403.03432.
- Wu, X.; et al. (2024). *Mixture of LoRA Experts*. arXiv:2404.13628.
- Microsoft Research (2024). *Phi‑3 Technical Report*. arXiv:2404.14219.
- Abdin, M.; et al. (2024). *Phi‑4 Technical Report*. arXiv:2412.08905.
- Microsoft Research (2025). *Phi‑4‑reasoning Technical Report*. PDF.
- Microsoft Research (2025). *Phi‑4‑Multimodal: Mixture‑of‑Modality‑LoRAs*. arXiv:2503.01743.

## Бележки

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-1) «The Phi-3 small language models with big potential». *Microsoft Source Features*. <a href="https://news.microsoft.com/source/features/ai/the-phi-3-small-language-models-with-big-potential/" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-2">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-2) «Microsoft's Phi-3: Revolutionising AI with efficient and accessible small language models». *Landing.Jobs Blog*. <a href="https://landing.jobs/blog/microsofts-phi-3-revolutionising-ai-with-efficient-and-accessible-small-language-models/" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-3">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-3) «Textbooks Are All You Need». *Microsoft Research*. <a href="https://www.microsoft.com/en-us/research/publication/textbooks-are-all-you-need/" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-4">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-4) «Introducing Phi-4: Microsoft’s newest Small Language Model, specializing in complex reasoning». *Microsoft Tech Community*. <a href="https://techcommunity.microsoft.com/t5/ai-at-microsoft/introducing-phi-4-microsoft-s-newest-small-language-model/ba-p/4357090" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-5">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-5) «Exploring Phi-4: A Deep Dive into Microsoft's Latest Language Model». *OpenCV Blog*. <a href="https://opencv.org/blog/phi-4/" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-6">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-6) «Unlocking the Power of Small Language Models (SLMs): The Evolution of Phi». *LinkedIn*. <a href="https://www.linkedin.com/pulse/unlocking-power-small-language-models-slms-evolution-vijay-ru4xc" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-7">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-7) «Новая ИИ-модель Phi-2 от Microsoft училась по учебникам». *TechInsider*. <a href="https://www.techinsider.ru/news/news-1625165-novaya-ii-model-phi-2-ot-microsoft-uchilas-po-uchebnikam/" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-8">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-8) «Phi-3 Technical Report». *arXiv*. <a href="https://arxiv.org/abs/2404.14219" class="external autonumber" rel="nofollow">[8]</a></span>
9.  <span id="cite_note-9">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-9) «Discover the new multi-lingual, high-quality Phi-3.5 SLMs». *Microsoft Tech Community*. <a href="https://techcommunity.microsoft.com/blog/azure-ai-services-blog/discover-the-new-multi-lingual-high-quality-phi-3-5-slms/4225280" class="external autonumber" rel="nofollow">[9]</a></span>
10. <span id="cite_note-10">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-10) «Phi-4 Technical Report». *arXiv*. <a href="https://arxiv.org/abs/2412.08905" class="external autonumber" rel="nofollow">[10]</a></span>
11. <span id="cite_note-11">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-11) «Mixture-of-Modality-LoRAs: A Low-Rank Approach to Natively Multimodal Foundation Models». *arXiv*. <a href="https://arxiv.org/abs/2503.01743" class="external autonumber" rel="nofollow">[11]</a></span>
12. <span id="cite_note-12">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-12) «Phi-3: A Tutorial on Microsoft's Small Language Models (SLMs)». *DataCamp*. <a href="https://www.datacamp.com/tutorial/phi-3-tutorial" class="external autonumber" rel="nofollow">[12]</a></span>
13. <span id="cite_note-13">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-13) «Unlocking the Power of Small Language Models (SLMs): The Evolution of Phi». *LinkedIn*. <a href="https://www.linkedin.com/pulse/unlocking-power-small-language-models-slms-evolution-vijay-ru4xc" class="external autonumber" rel="nofollow">[13]</a></span>
14. <span id="cite_note-14">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-14) «Microsoft Phi». *Microsoft Azure*. <a href="https://azure.microsoft.com/en-us/products/phi" class="external autonumber" rel="nofollow">[14]</a></span>
15. <span id="cite_note-15">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-15) «Exploring Phi-4: A Deep Dive into Microsoft's Latest Language Model». *OpenCV Blog*. <a href="https://opencv.org/blog/phi-4/" class="external autonumber" rel="nofollow">[15]</a></span>
16. <span id="cite_note-16">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-16) «Phi-3.5-vision-instruct». *Hugging Face*. <a href="https://huggingface.co/microsoft/Phi-3.5-vision-instruct" class="external autonumber" rel="nofollow">[16]</a></span>
17. <span id="cite_note-17">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-17) «Small But Mighty: Exploring the Capabilities of Small Language Models in Medical and Sport-Specific Applications». *arXiv*. <a href="https://arxiv.org/abs/2504.08764" class="external autonumber" rel="nofollow">[17]</a></span>
18. <span id="cite_note-18">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-18) «HateTinyLLMs: A Small Language Model for Hate Speech Detection». *arXiv*. <a href="https://arxiv.org/abs/2405.01577" class="external autonumber" rel="nofollow">[18]</a></span>
19. <span id="cite_note-19">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-19) «SC-Phi2: A Specialized Small Language Model for StarCraft II». *MDPI*. <a href="https://www.mdpi.com/2673-2688/5/4/115" class="external autonumber" rel="nofollow">[19]</a></span>
20. <span id="cite_note-20">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-20) «Microsoft’s Phi-3.5: a responsible, small language model». *Skymod*. <a href="https://skymod.tech/microsofts-phi-3-5-small-language-models/" class="external autonumber" rel="nofollow">[20]</a></span>
21. <span id="cite_note-21">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-21) «Phi-4: A New Era of Small Language Models». *Meta-quantum.today*. <a href="https://meta-quantum.today/?p=3386" class="external autonumber" rel="nofollow">[21]</a></span>
22. <span id="cite_note-22">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(BG)#cite_ref-22) «A Multi-faceted Analysis of Language-specific Bias in Large Language Models». *U.S. Securities and Exchange Commission*. <a href="https://www.sec.gov/Archives/edgar/data/789019/000119312524242883/d858775ddef14a.htm" class="external autonumber" rel="nofollow">[22]</a></span>