---
title: "Phi (Microsoft) (HU)"
source: "https://systems-analysis.info/int/Phi_(Microsoft)_(HU)"
wiki: "systems-analysis.info/int"
article: "Phi_(Microsoft)_(HU)"
language: "hu"
categories:
  - "Category:Hungarian"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
revision_id: 5605
wiki_created_at: 2026-09-06T23:51:37Z
wiki_modified_at: 2026-09-06T23:51:37Z
downloaded_at: 2026-09-07T23:09:24Z
---

# Phi (Microsoft) (HU)

**Phi** — ez a Microsoft Research által fejlesztett kis nyelvi modellek (Small Language Models, SLM) családja. Ezek a modellek paradigmaváltást képviselnek az AI-fejlesztésben, és megmutatják, hogy a kompakt, számítási szempontból hatékony modellek teljesítménye összemérhető lehet a jóval nagyobb rendszerekével. A hagyományos, paraméterszám-növelésen alapuló megközelítéssel ellentétben a Phi filozófiája a betanítási adatok minőségére és az innovatív tanítási módszerekre összpontosít<sup>[\[1\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-1)</sup>.

A Phi modellek olyan feladatokra vannak optimalizálva, amelyek mély logikai következtetést igényelnek, mint például a programozás, a matematika és a szövegelemzés. Kis méretüknek köszönhetően ideálisan alkalmasak helyi eszközökön (on-device AI) való telepítésre, beleértve az okostelefonokat és laptopokat, ami új lehetőségeket nyit meg az AI demokratizálása terén<sup>[\[2\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-2)</sup>.

## Filozófia: „A tankönyvek minden, amire szükséged van"

A Phi projekt alapjául szolgáló központi hipotézis szerint a nagy teljesítményű modell betanításához az adatok minősége fontosabb, mint mennyiségük. Ezt az elképzelést először a **„Textbooks Are All You Need»** kutatási munkában fogalmazták meg<sup>[\[3\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-3)</sup>. Ahelyett, hogy szűretlen webes tartalomból vett billió tokeneken tanítanák be a modelleket, a Phi modelleket gondosan válogatott és szintetikusan generált adathalmazon tanítják, amelynek minősége tankönyvre emlékeztet.

Ennek a megközelítésnek a főbb elvei:

- **„Tankönyv minőségű" adatok:** A betanítási korpusz tiszta, logikailag következetes és magyarázó jellegű anyagból áll, amelyet gyermekkönyvek ihlettek.
- **Szintetikus adatok:** Az adatok jelentős részét nagy modellek segítségével generálják (például GPT-4). Például a **Phi-4** betanításához több mint 50 egyedi adatfeldolgozó csővezetéken keresztül 400 milliárd token magas minőségű szintetikus tartalmat hoztak létre<sup>[\[4\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-4)[\[5\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-5)</sup>.
- **Iteratív tanítás:** Az adatok létrehozásának és a modell betanításának folyamata iteratívan zajlik, ami lehetővé teszi az adatok és maga a modell minőségének folyamatos javítását.

Ez a megközelítés lehetővé teszi, hogy a Phi modellek mély következtetési képességeket fejlesszenek ki, nem csupán statisztikai mintákat memorizáljanak.

## A Phi modellek fejlődése

- **Phi-1 (1,3 milliárd paraméter):** Az első, 2023 júniusában bemutatott modell Python programozásra összpontosított. Kiemelkedő teljesítményt nyújtott a HumanEval és MBPP benchmarkokon, bizonyítva a minőségi adatokon alapuló megközelítés hatékonyságát<sup>[\[6\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-6)</sup>.

<!-- -->

- **Phi-2 (2,7 milliárd paraméter):** A 2023 decemberében kiadott Phi-2 kompakt architektúráját megőrizve kiterjesztette képességeit az általános nyelvértésre. Ez a modell megmutatta, hogy az SLM-ek olyan modellek teljesítményét is elérhetik, amelyek tíz-húszszor nagyobbak<sup>[\[7\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-7)</sup>.

<!-- -->

- **Phi-3 (3,8–14 milliárd paraméter):** A 2024 áprilisában bemutatott modellcsalád áttörést hozott a mobil AI területén. A **Phi-3-mini** (3,8 milliárd) képes okostelefonokon futni, és teljesítménye összemérhető a Mixtral 8x7B és a GPT-3.5 modellekével<sup>[\[8\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-8)</sup>. A modellcsalád tartalmazza a **Phi-3-small** (7 milliárd) és a **Phi-3-medium** (14 milliárd) verziókat is.

<!-- -->

- **Phi-3.5 (3,8–6,6 milliárd aktív paraméter):** A 2024-ben bejelentett modellcsalád három kulcsfontosságú modellt tartalmaz:
  - **Phi-3.5-mini-instruct:** Optimalizált verzió, javított többnyelvű támogatással.
  - **Phi-3.5-MoE-instruct:** Mixture-of-Experts architektúrán alapuló modell 16 szakértővel és 6,6 milliárd aktív paraméterrel.
  - **Phi-3.5-Vision-instruct:** Multimodális modell szöveg és képek feldolgozásához<sup>[\[9\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-9)</sup>.

<!-- -->

- **Phi-4 (14 milliárd paraméter):** Összetett matematikai következtetésre specializált modell. Teljesítménye összemérhető a Gemini-1.5-Flash és a GPT-4o-mini modellekével, miközben lényegesen kisebb méretű. A **Phi-4-reasoning** felülmúlja a DeepSeek-R1-Distill-Llama-70B modellt<sup>[\[10\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-10)</sup>.
- **Phi-4-Multimodal (5,6 milliárd paraméter):** A modellcsalád első teljesen multimodális modellje, amely egyidejűleg képes szöveget, képeket és hangot feldolgozni. A különböző modalitások hatékony, kölcsönös zavaroktól mentes feldolgozásához innovatív **Mixture-of-LoRAs** megközelítést alkalmaz<sup>[\[11\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-11)</sup>.

## Architektúra és technikai jellemzők

- **Architektúra:** A Phi modellek standard, csak-dekóderes (decoder-only) transformer architektúrát alkalmaznak kulcsfontosságú optimalizációkkal, mint például a **Grouped Query Attention** és a **Flash Attention** a hatékonyság növelése érdekében<sup>[\[12\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-12)</sup>.
- **Helyi telepítés:** A modellek korlátozott erőforrással rendelkező eszközökön való működésre vannak optimalizálva. Például a **Phi-3-mini** 4 bites kvantálással mindössze 1,8 GB memóriát igényel, és képes iPhone 14-en futni<sup>[\[13\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-13)</sup>.
- **Keretrendszer-támogatás:** A Phi modellek elérhetők a **Microsoft Azure AI Model Catalog**, a **Hugging Face**, az **Ollama** és az **NVIDIA NIM microservices** platformokon, biztosítva széleskörű integrációjukat és elérhetőségüket a fejlesztők számára<sup>[\[14\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-14)</sup>.

## Teljesítmény és benchmarkok

| Modell           | Paraméterek | 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         | \-   | \-       | Felülmúlja a GPT-4-et |

A Phi modellek összehasonlító teljesítménye a legfontosabb benchmarkokon

**A Phi-4** kivételes eredményeket mutat matematikai feladatokban, beleértve az American Mathematics Competitions (AMC) versenyeket, és teljesítménye összemérhető a Gemini-1.5-Flash modellével<sup>[\[15\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-15)</sup>. A multimodális **Phi-3.5-Vision** felülmúlja a hasonló méretű versenytársakat, 57,0%-ot érve el a BLINK benchmarkon<sup>[\[16\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-16)</sup>.

## Speciális alkalmazások

A Phi modellek nagy hatékonyságot mutatnak szakterületi alkalmazásokban:

- **Orvostudomány:** Kutatások mérsékelt korrelációt mutatnak a Phi-3 válaszai és a szakértői értékelések között orvosi és sportszövegek esetén<sup>[\[17\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-17)</sup>.
- **Gyűlöletbeszéd-felismerés:** A Phi-2-n alapuló HateTinyLLM modell LoRA fine-tuning alkalmazásával több mint 80%-os pontosságot ér el ezen a feladaton<sup>[\[18\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-18)</sup>.
- **Játékstratégiák:** Az SC-Phi2 modell képességeket mutatott a StarCraft II játékban alkalmazott stratégiák előrejelzésében<sup>[\[19\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-19)</sup>.

## Felelős AI és biztonság

A Phi modellcsaládot a **Microsoft Responsible AI** szabványainak megfelelően fejlesztették ki, amelyek magukban foglalják az elszámoltathatóság, az átláthatóság, a méltányosság és a biztonság elveit. A modellek sokrétű biztonsági értékelésen esnek át, beleértve a **Supervised Fine-Tuning (SFT)** és a **Direct Preference Optimization (DPO)** alkalmazását, valamint különböző nyelveken és kockázati kategóriákban végzett tesztelést<sup>[\[20\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-20)</sup>.

## Korlátok

A lenyűgöző eredmények ellenére a Phi modellek egyes összetett feladatokban elmaradhatnak a specializált nagy modellektől. Például a **Phi-4** jó eredményeket mutat a chain-of-thought típusú következtetésekben, de korlátozzák a függvényhívási (function calling) lehetőség hiánya<sup>[\[21\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-21)</sup>. Emellett, bár a **Phi-3.5** több mint 20 nyelvet támogat, teljesítménye változó lehet, és kutatások pontatlanságokat mutatnak ki az angoltól eltérő nyelveken adott válaszokban<sup>[\[22\]](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#cite_note-22)</sup>.

## Irodalom

- 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.

## Hivatkozások

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#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>