---
title: "Phi (Microsoft) (KO)"
source: "https://systems-analysis.info/int/Phi_(Microsoft)_(KO)"
wiki: "systems-analysis.info/int"
article: "Phi_(Microsoft)_(KO)"
language: "ko"
categories:
- "Category:Korean"
- "Category:Large language models"
- "Category:LLM families"
- "Category:Machine learning"
revision_id: 5608
wiki_created_at: 2026-09-06T23:51:40Z
wiki_modified_at: 2026-09-06T23:51:40Z
downloaded_at: 2026-09-07T23:09:26Z
---
# Phi (Microsoft) (KO)
**Phi** — 마이크로소프트 리서치(Microsoft Research)가 개발한 소형 언어 모델(Small Language Models, SLM) 패밀리입니다. 이 모델들은 AI 개발의 패러다임 전환을 나타내며, 컴팩트하고 계산 효율적인 모델이 훨씬 더 큰 시스템과 비교할 수 있는 성능을 달성할 수 있음을 보여줍니다. 매개변수 수를 확장하는 기존 접근 방식과 달리, Phi의 철학은 학습 데이터의 품질과 혁신적인 훈련 방법에 초점을 맞추고 있습니다[\[1\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-1).
Phi 모델은 프로그래밍, 수학, 텍스트 분석과 같이 깊은 논리적 추론이 필요한 작업에 최적화되어 있습니다. 소형 크기 덕분에 스마트폰과 노트북을 포함한 로컬 기기(on-device AI)에 배포하기에 이상적이며, AI의 민주화를 위한 새로운 가능성을 열어줍니다[\[2\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-2).
## 철학: «교과서가 필요한 전부다»
Phi 프로젝트의 근본을 이루는 핵심 가설은, 고성능 모델을 훈련하는 데 있어 데이터의 양보다 품질이 더 중요하다는 것입니다. 이 아이디어는 연구 논문 **«Textbooks Are All You Need»**에서 처음 제시되었습니다[\[3\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-3). 필터링되지 않은 웹에서 수조 개의 token을 학습하는 대신, Phi 모델은 교과서 수준의 품질을 갖는 신중하게 선별되고 합성적으로 생성된 dataset으로 학습됩니다.
이 접근 방식의 핵심 원칙:
- **"교과서 품질" 데이터:** 학습 코퍼스는 어린이 도서에서 영감을 받은 깔끔하고 논리적으로 일관되며 설명적인 자료로 구성됩니다.
- **합성 데이터:** 데이터의 상당 부분은 대형 모델(예: GPT-4)을 사용하여 생성됩니다. 예를 들어, **Phi-4** 훈련을 위해 50개 이상의 사용자 정의 파이프라인을 통해 4,000억 개의 고품질 합성 콘텐츠 token이 생성되었습니다[\[4\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-4)[\[5\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-5).
- **반복적 학습:** 데이터 생성과 모델 훈련 과정은 반복적으로 이루어지며, 이를 통해 데이터와 모델 자체의 품질을 지속적으로 향상시킬 수 있습니다.
이 접근 방식을 통해 Phi 모델은 단순히 통계적 패턴을 암기하는 것이 아니라 깊은 추론 능력을 발전시킬 수 있습니다.
## Phi 모델의 진화
- **Phi-1 (매개변수 13억 개):** 2023년 6월에 소개된 첫 번째 모델로, Python 프로그래밍에 집중하였습니다. HumanEval 및 MBPP benchmark에서 뛰어난 성능을 보여주며 고품질 데이터 기반 접근 방식의 효과를 입증했습니다[\[6\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-6).
- **Phi-2 (매개변수 27억 개):** 2023년 12월에 출시된 Phi-2는 컴팩트한 아키텍처를 유지하면서 일반 언어 이해로 역량을 확장했습니다. 이 모델은 SLM이 수십 배 더 큰 모델에 필적하는 성능을 달성할 수 있음을 보여주었습니다[\[7\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-7).
- **Phi-3 (매개변수 38억~140억 개):** 2024년 4월에 소개된 이 패밀리는 모바일 AI 분야의 획기적인 발전이 되었습니다. **Phi-3-mini** (38억 개)는 스마트폰에서 작동할 수 있으며, Mixtral 8x7B 및 GPT-3.5에 필적하는 성능을 달성합니다[\[8\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-8). 이 패밀리에는 **Phi-3-small** (70억 개) 및 **Phi-3-medium** (140억 개) 버전도 포함됩니다.
- **Phi-3.5 (활성 매개변수 38억~66억 개):** 2024년에 발표된 이 패밀리는 세 가지 핵심 모델을 포함합니다:
- **Phi-3.5-mini-instruct:** 다국어 지원이 향상된 최적화 버전.
- **Phi-3.5-MoE-instruct:** 16명의 전문가와 66억 개의 활성 매개변수를 갖춘 Mixture-of-Experts 아키텍처 기반 모델.
- **Phi-3.5-Vision-instruct:** 텍스트와 이미지를 처리하는 멀티모달 모델[\[9\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-9).
- **Phi-4 (매개변수 140억 개):** 복잡한 수학적 추론에 특화된 모델입니다. 훨씬 더 작은 크기에서 Gemini-1.5-Flash 및 GPT-4o-mini에 필적하는 성능을 보여줍니다. **Phi-4-reasoning**은 DeepSeek-R1-Distill-Llama-70B를 능가합니다[\[10\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-10).
- **Phi-4-Multimodal (매개변수 56억 개):** 이 패밀리 최초의 완전한 멀티모달 모델로, 텍스트, 이미지, 오디오를 동시에 처리할 수 있습니다. 상호 간섭 없이 다양한 모달리티를 효율적으로 처리하기 위해 혁신적인 **Mixture-of-LoRAs** 접근 방식을 사용합니다[\[11\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-11).
## 아키텍처 및 기술적 특징
- **아키텍처:** Phi 모델은 효율성 향상을 위한 **Grouped Query Attention** 및 **Flash Attention**과 같은 핵심 최적화를 갖춘 표준 decoder-only transformer 아키텍처를 사용합니다[\[12\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-12).
- **로컬 배포:** 모델은 제한된 리소스를 가진 기기에서 작동하도록 최적화되어 있습니다. 예를 들어, **Phi-3-mini**는 4비트 양자화 시 1.8GB의 메모리만 필요하며 iPhone 14에서 실행될 수 있습니다[\[13\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-13).
- **프레임워크 지원:** Phi 모델은 **Microsoft Azure AI Model Catalog**, **Hugging Face**, **Ollama** 및 **NVIDIA NIM microservices**를 통해 제공되어 개발자들에게 광범위한 통합과 접근성을 보장합니다[\[14\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-14).
## 성능 및 Benchmark
| 모델 | 매개변수 | 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 | \- | \- | GPT-4 능가 |
주요 benchmark에서 Phi 모델의 비교 성능
**Phi-4**는 American Mathematics Competitions (AMC)를 포함한 수학 문제에서 탁월한 결과를 보여주며, Gemini-1.5-Flash에 필적하는 성능을 나타냅니다[\[15\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-15). 멀티모달 **Phi-3.5-Vision**은 동급 크기의 경쟁 모델을 능가하며, BLINK benchmark에서 57.0%를 달성합니다[\[16\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-16).
## 전문 응용 분야
Phi 모델은 특수 분야에서 높은 효율성을 보여줍니다:
- **의학:** 연구에 따르면 Phi-3의 응답은 의학 및 스포츠 텍스트에서 전문가 평가와 적당한 상관관계를 보입니다[\[17\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-17).
- **혐오 발언 탐지:** Phi-2를 기반으로 한 HateTinyLLM 모델은 LoRA fine-tuning을 사용하여 이 작업에서 80% 이상의 정확도를 달성합니다[\[18\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-18).
- **게임 전략:** SC-Phi2 모델은 StarCraft II 게임에서 전략 예측 능력을 보여주었습니다[\[19\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-19).
## 책임 있는 AI와 안전성
Phi 패밀리는 책임감, 투명성, 공정성 및 안전성의 원칙을 포함하는 **Microsoft Responsible AI** 표준에 따라 개발되었습니다. 모델은 **Supervised Fine-Tuning (SFT)**과 **Direct Preference Optimization (DPO)**를 포함한 다각적인 안전성 평가와 다양한 언어 및 위험 범주에 대한 테스트를 거칩니다[\[20\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-20).
## 한계
인상적인 결과에도 불구하고, Phi 모델은 일부 복잡한 작업에서 전문화된 대형 모델에 뒤처질 수 있습니다. 예를 들어, **Phi-4**는 chain-of-thought 추론에서 좋은 결과를 보이지만 함수 호출(function calling) 기능의 부재로 인해 제한됩니다[\[21\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-21). 또한, **Phi-3.5**는 20개 이상의 언어를 지원하지만 성능이 다를 수 있으며, 연구에 따르면 영어 이외의 언어에 대한 응답에서 부정확성이 나타납니다[\[22\]](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_note-22).
## 참고 문헌
- 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.
## 각주
1. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_ref-1) «The Phi-3 small language models with big potential». *Microsoft Source Features*. [1]
2. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#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)_(KO)#cite_ref-3) «Textbooks Are All You Need». *Microsoft Research*. [3]
4. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#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)_(KO)#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)_(KO)#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)_(KO)#cite_ref-7) «Новая ИИ-модель Phi-2 от Microsoft училась по учебникам». *TechInsider*. [7]
8. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_ref-8) «Phi-3 Technical Report». *arXiv*. [8]
9. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#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)_(KO)#cite_ref-10) «Phi-4 Technical Report». *arXiv*. [10]
11. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#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)_(KO)#cite_ref-12) «Phi-3: A Tutorial on Microsoft's Small Language Models (SLMs)». *DataCamp*. [12]
13. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#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)_(KO)#cite_ref-14) «Microsoft Phi». *Microsoft Azure*. [14]
15. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#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)_(KO)#cite_ref-16) «Phi-3.5-vision-instruct». *Hugging Face*. [16]
17. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#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)_(KO)#cite_ref-18) «HateTinyLLMs: A Small Language Model for Hate Speech Detection». *arXiv*. [18]
19. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_ref-19) «SC-Phi2: A Specialized Small Language Model for StarCraft II». *MDPI*. [19]
20. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_ref-20) «Microsoft’s Phi-3.5: a responsible, small language model». *Skymod*. [20]
21. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_ref-21) «Phi-4: A New Era of Small Language Models». *Meta-quantum.today*. [21]
22. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(KO)#cite_ref-22) «A Multi-faceted Analysis of Language-specific Bias in Large Language Models». *U.S. Securities and Exchange Commission*. [22]