--- title: "Phi (Microsoft) (DE)" source: "https://systems-analysis.info/int/Phi_(Microsoft)_(DE)" wiki: "systems-analysis.info/int" article: "Phi_(Microsoft)_(DE)" language: "de" categories: - "Category:German" - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" revision_id: 5598 wiki_created_at: 2026-09-06T23:51:31Z wiki_modified_at: 2026-09-06T23:51:31Z downloaded_at: 2026-09-07T23:09:22Z --- # Phi (Microsoft) (DE) **Phi** ist eine Familie von kleinen Sprachmodellen (Small Language Models, SLM), die von Microsoft Research entwickelt wurde. Diese Modelle stellen einen Paradigmenwechsel in der KI-Entwicklung dar und zeigen, dass kompakte und recheneffiziente Modelle eine Leistung erreichen können, die mit wesentlich größeren Systemen vergleichbar ist. Im Gegensatz zum traditionellen Ansatz, der auf der Skalierung der Parameteranzahl basiert, konzentriert sich die Phi-Philosophie auf die Qualität der Trainingsdaten und innovative Trainingsmethoden^{[\[1\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-1)}. Die Phi-Modelle sind für Aufgaben optimiert, die tiefgreifende logische Schlussfolgerungen erfordern, wie Programmierung, Mathematik und Textanalyse. Aufgrund ihrer geringen Größe eignen sie sich ideal für den Einsatz auf lokalen Geräten (On-Device AI), einschließlich Smartphones und Laptops, was neue Möglichkeiten zur Demokratisierung der KI eröffnet^{[\[2\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-2)}. ## Philosophie: „Lehrbücher sind alles, was Sie brauchen“ Die zentrale Hypothese, die dem Phi-Projekt zugrunde liegt, besagt, dass für das Training eines hochleistungsfähigen Modells die Qualität der Daten wichtiger ist als deren Volumen. Diese Idee wurde erstmals in der Forschungsarbeit **„Textbooks Are All You Need“** formuliert^{[\[3\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-3)}. Anstatt auf Billionen von Token aus dem ungefilterten Web zu trainieren, werden die Phi-Modelle auf einem sorgfältig ausgewählten und synthetisch generierten Datensatz trainiert, der qualitativ einem Lehrbuch ähnelt. Die Schlüsselprinzipien dieses Ansatzes sind: - **Daten in „Lehrbuchqualität“:** Der Trainingskorpus besteht aus sauberem, logisch konsistentem und erklärendem Material, das von Kinderbüchern inspiriert ist. - **Synthetische Daten:** Ein erheblicher Teil der Daten wird mithilfe großer Modelle (z. B. GPT-4) generiert. So wurden beispielsweise für das Training von **Phi-4** 400 Milliarden Token hochwertiger synthetischer Inhalte über mehr als 50 benutzerdefinierte Pipelines erstellt^{[\[4\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-4)[\[5\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-5)}. - **Iteratives Training:** Der Prozess der Datenerstellung und des Modelltrainings erfolgt iterativ, was eine kontinuierliche Verbesserung der Qualität sowohl der Daten als auch des Modells selbst ermöglicht. Dieser Ansatz ermöglicht es den Phi-Modellen, tiefgreifende Schlussfolgerungsfähigkeiten zu entwickeln, anstatt nur statistische Muster auswendig zu lernen. ## Evolution der Phi-Modelle - **Phi-1 (1,3 Mrd. Parameter):** Das erste im Juni 2023 vorgestellte Modell konzentrierte sich auf die Programmierung in Python. Es zeigte eine hervorragende Leistung bei den Benchmarks HumanEval und MBPP und bewies die Effektivität des qualitätsbasierten Datenansatzes^{[\[6\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-6)}. - **Phi-2 (2,7 Mrd. Parameter):** Das im Dezember 2023 veröffentlichte Phi-2 erweiterte seine Fähigkeiten auf das allgemeine Sprachverständnis bei gleichbleibend kompakter Architektur. Dieses Modell zeigte, dass SLMs eine Leistung erreichen können, die mit Modellen vergleichbar ist, die um ein Vielfaches größer sind^{[\[7\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-7)}. - **Phi-3 (3,8–14 Mrd. Parameter):** Die im April 2024 vorgestellte Familie war ein Durchbruch im Bereich der mobilen KI. **Phi-3-mini** (3,8 Mrd.) kann auf Smartphones ausgeführt werden und erreicht eine Leistung, die mit Mixtral 8x7B und GPT-3.5 vergleichbar ist^{[\[8\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-8)}. Die Familie umfasst auch die Versionen **Phi-3-small** (7 Mrd.) und **Phi-3-medium** (14 Mrd.). - **Phi-3.5 (3,8–6,6 Mrd. aktive Parameter):** Diese 2024 angekündigte Familie umfasst drei Schlüsselmodelle: - **Phi-3.5-mini-instruct:** Eine optimierte Version mit verbesserter mehrsprachiger Unterstützung. - **Phi-3.5-MoE-instruct:** Ein Modell, das auf der Mixture-of-Experts-Architektur mit 16 Experten und 6,6 Mrd. aktiven Parametern basiert. - **Phi-3.5-Vision-instruct:** Ein multimodales Modell zur Verarbeitung von Text und Bildern^{[\[9\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-9)}. - **Phi-4 (14 Mrd. Parameter):** Ein Modell, das auf komplexe mathematische Schlussfolgerungen spezialisiert ist. Es zeigt eine Leistung, die mit Gemini-1.5-Flash und GPT-4o-mini vergleichbar ist, bei deutlich geringerer Größe. **Phi-4-reasoning** übertrifft DeepSeek-R1-Distill-Llama-70B^{[\[10\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-10)}. - **Phi-4-Multimodal (5,6 Mrd. Parameter):** Das erste vollständig multimodale Modell der Familie, das in der Lage ist, Text, Bilder und Audio gleichzeitig zu verarbeiten. Es verwendet den innovativen Ansatz **Mixture-of-LoRAs** zur effizienten Verarbeitung verschiedener Modalitäten ohne gegenseitige Störungen^{[\[11\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-11)}. ## Architektur und technische Merkmale - **Architektur:** Die Phi-Modelle verwenden eine standardmäßige Transformer-Architektur vom Typ „Decoder-Only“ mit wichtigen Optimierungen wie **Grouped Query Attention** und **Flash Attention** zur Effizienzsteigerung^{[\[12\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-12)}. - **Lokaler Einsatz:** Die Modelle sind für den Betrieb auf Geräten mit begrenzten Ressourcen optimiert. Beispielsweise benötigt **Phi-3-mini** bei 4-Bit-Quantisierung nur 1,8 GB Speicher und kann auf einem iPhone 14 ausgeführt werden^{[\[13\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-13)}. - **Framework-Unterstützung:** Die Phi-Modelle sind über den **Microsoft Azure AI Model Catalog**, **Hugging Face**, **Ollama** und **NVIDIA NIM microservices** verfügbar, was ihre breite Integration und Zugänglichkeit für Entwickler gewährleistet^{[\[14\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-14)}. ## Leistung und Benchmarks | Modell | Parameter | MMLU | MT-Bench | HumanEval | |------------------|-----------|------|----------|------------------| | **Phi-3-mini** | 3,8 Mrd. | 69% | 8.38 | \- | | **Phi-3-small** | 7 Mrd. | 75% | 8.7 | \- | | **Phi-3-medium** | 14 Mrd. | 78% | 8.9 | \- | | **Phi-4** | 14 Mrd. | \- | \- | Übertrifft GPT-4 | Vergleichsleistung der Phi-Modelle auf wichtigen Benchmarks **Phi-4** zeigt außergewöhnliche Ergebnisse bei mathematischen Aufgaben, einschließlich der American Mathematics Competitions (AMC), und erreicht eine Leistung, die mit Gemini-1.5-Flash vergleichbar ist^{[\[15\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-15)}. Das multimodale Modell **Phi-3.5-Vision** übertrifft Konkurrenten ähnlicher Größe und erreicht 57,0 % im BLINK-Benchmark^{[\[16\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-16)}. ## Spezialisierte Anwendungen Die Phi-Modelle zeigen eine hohe Effizienz in Nischenbereichen: - **Medizin:** Studien zeigen eine moderate Korrelation der Antworten von Phi-3 mit Expertenbewertungen in medizinischen und sportbezogenen Texten^{[\[17\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-17)}. - **Erkennung von Hassrede:** Das auf Phi-2 basierende Modell HateTinyLLM erreicht bei dieser Aufgabe eine Genauigkeit von über 80 % durch den Einsatz von LoRA-Fine-Tuning^{[\[18\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-18)}. - **Spielstrategien:** Das Modell SC-Phi2 hat Fähigkeiten bei der Vorhersage von Strategien im Spiel StarCraft II gezeigt^{[\[19\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-19)}. ## Verantwortungsvolle KI und Sicherheit Die Phi-Familie wurde in Übereinstimmung mit den Standards von **Microsoft Responsible AI** entwickelt, die die Prinzipien der Rechenschaftspflicht, Transparenz, Fairness und Sicherheit umfassen. Die Modelle durchlaufen eine vielschichtige Sicherheitsbewertung, einschließlich **Supervised Fine-Tuning (SFT)** und **Direct Preference Optimization (DPO)**, sowie Tests in verschiedenen Sprachen und Risikokategorien^{[\[20\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-20)}. ## Einschränkungen Trotz beeindruckender Ergebnisse können die Phi-Modelle in einigen komplexen Aufgaben spezialisierten großen Modellen unterlegen sein. Beispielsweise zeigt **Phi-4** gute Ergebnisse bei Chain-of-Thought-Schlussfolgerungen, ist aber durch das Fehlen der Fähigkeit zum Funktionsaufruf (Function Calling) eingeschränkt^{[\[21\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-21)}. Obwohl **Phi-3.5** mehr als 20 Sprachen unterstützt, kann seine Leistung variieren, und Studien zeigen Ungenauigkeiten in den Antworten auf anderen Sprachen als Englisch^{[\[22\]](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_note-22)}. ## Literatur - 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. ## Einzelnachweise 1. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-1) „The Phi-3 small language models with big potential“. *Microsoft Source Features*. [1] 2. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-2) „Microsoft's Phi-3: Revolutionising AI with efficient and accessible small language models“. *Landing.Jobs Blog*. [2] 3. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-3) „Textbooks Are All You Need“. *Microsoft Research*. [3] 4. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-4) „Introducing Phi-4: Microsoft’s newest Small Language Model, specializing in complex reasoning“. *Microsoft Tech Community*. [4] 5. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-5) „Exploring Phi-4: A Deep Dive into Microsoft's Latest Language Model“. *OpenCV Blog*. [5] 6. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-6) „Unlocking the Power of Small Language Models (SLMs): The Evolution of Phi“. *LinkedIn*. [6] 7. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-7) „Das neue KI-Modell Phi-2 von Microsoft lernte aus Lehrbüchern“. *TechInsider*. [7] 8. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-8) „Phi-3 Technical Report“. *arXiv*. [8] 9. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-9) „Discover the new multi-lingual, high-quality Phi-3.5 SLMs“. *Microsoft Tech Community*. [9] 10. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-10) „Phi-4 Technical Report“. *arXiv*. [10] 11. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-11) „Mixture-of-Modality-LoRAs: A Low-Rank Approach to Natively Multimodal Foundation Models“. *arXiv*. [11] 12. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-12) „Phi-3: A Tutorial on Microsoft's Small Language Models (SLMs)“. *DataCamp*. [12] 13. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-13) „Unlocking the Power of Small Language Models (SLMs): The Evolution of Phi“. *LinkedIn*. [13] 14. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-14) „Microsoft Phi“. *Microsoft Azure*. [14] 15. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-15) „Exploring Phi-4: A Deep Dive into Microsoft's Latest Language Model“. *OpenCV Blog*. [15] 16. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-16) „Phi-3.5-vision-instruct“. *Hugging Face*. [16] 17. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-17) „Small But Mighty: Exploring the Capabilities of Small Language Models in Medical and Sport-Specific Applications“. *arXiv*. [17] 18. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-18) „HateTinyLLMs: A Small Language Model for Hate Speech Detection“. *arXiv*. [18] 19. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-19) „SC-Phi2: A Specialized Small Language Model for StarCraft II“. *MDPI*. [19] 20. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-20) „Microsoft’s Phi-3.5: a responsible, small language model“. *Skymod*. [20] 21. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-21) „Phi-4: A New Era of Small Language Models“. *Meta-quantum.today*. [21] 22. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(DE)#cite_ref-22) „A Multi-faceted Analysis of Language-specific Bias in Large Language Models“. *U.S. Securities and Exchange Commission*. [22]