---
title: "Phi (Microsoft) (NL)"
source: "https://systems-analysis.info/int/Phi_(Microsoft)_(NL)"
wiki: "systems-analysis.info/int"
article: "Phi_(Microsoft)_(NL)"
language: "nl"
categories:
  - "Category:Dutch"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
revision_id: 5609
wiki_created_at: 2026-09-06T23:51:41Z
wiki_modified_at: 2026-09-06T23:51:41Z
downloaded_at: 2026-09-07T23:09:26Z
---

# Phi (Microsoft) (NL)

**Phi** — dit is een familie van kleine taalmodellen (Small Language Models, SLM), ontwikkeld door Microsoft Research. Deze modellen vertegenwoordigen een paradigmaverschuiving in de ontwikkeling van AI en tonen aan dat compacte en rekenkundig efficiënte modellen prestaties kunnen bereiken die vergelijkbaar zijn met veel grotere systemen. In tegenstelling tot de traditionele aanpak die gebaseerd is op het opschalen van het aantal parameters, richt de filosofie van Phi zich op de kwaliteit van trainingsdata en innovatieve trainingsmethoden<sup>[\[1\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-1)</sup>.

De Phi-modellen zijn geoptimaliseerd voor taken die diepgaand logisch redeneren vereisen, zoals programmeren, wiskunde en tekstanalyse. Dankzij hun geringe omvang zijn ze ideaal geschikt voor implementatie op lokale apparaten (on-device AI), waaronder smartphones en laptops, wat nieuwe mogelijkheden opent voor de democratisering van AI<sup>[\[2\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-2)</sup>.

## Filosofie: «Textbooks Are All You Need» - «Leerboeken zijn alles wat je nodig hebt»

De centrale hypothese die aan het Phi-project ten grondslag ligt, is dat voor het trainen van een hoogpresterend model de kwaliteit van de data belangrijker is dan de hoeveelheid ervan. Dit idee werd voor het eerst geformuleerd in het onderzoeksartikel **«Textbooks Are All You Need»**<sup>[\[3\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-3)</sup>. In plaats van te trainen op biljoenen tokens uit ongefilterd webmateriaal, worden de Phi-modellen getraind op een zorgvuldig geselecteerde en synthetisch gegenereerde dataset die qua kwaliteit op een leerboek lijkt.

De kernprincipes van deze aanpak zijn:

- **Data van «leerboekskwaliteit»:** Het trainingskorpus bestaat uit helder, logisch samenhangend en verklarend materiaal, geïnspireerd op kinderboeken.
- **Synthetische data:** Een aanzienlijk deel van de data wordt gegenereerd met behulp van grote modellen (zoals GPT-4). Voor de training van **Phi-4** werden bijvoorbeeld 400 miljard tokens aan hoogwaardige synthetische inhoud aangemaakt via meer dan 50 aangepaste pipelines<sup>[\[4\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-4)[\[5\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-5)</sup>.
- **Iteratief trainen:** Het proces van dataverzameling en modeltraining verloopt iteratief, waardoor zowel de kwaliteit van de data als die van het model voortdurend verbeterd kan worden.

Deze aanpak stelt de Phi-modellen in staat om diepgaande redeneervaardigheden te ontwikkelen in plaats van louter statistische patronen te memoriseren.

## Evolutie van de Phi-modellen

- **Phi-1 (1,3 miljard parameters):** Het eerste model, gepresenteerd in juni 2023, was gericht op programmeren in Python. Het toonde uitstekende prestaties op de benchmarks HumanEval en MBPP en bewees daarmee de effectiviteit van de op kwalitatieve data gebaseerde aanpak<sup>[\[6\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-6)</sup>.

<!-- -->

- **Phi-2 (2,7 miljard parameters):** Uitgebracht in december 2023 breidde Phi-2 zijn mogelijkheden uit naar algemeen taalbegrip, met behoud van de compacte architectuur. Dit model toonde aan dat SLM prestaties kunnen bereiken die vergelijkbaar zijn met modellen die tientallen keren groter zijn<sup>[\[7\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-7)</sup>.

<!-- -->

- **Phi-3 (3,8 - 14 miljard parameters):** De familie die in april 2024 werd gepresenteerd, vormde een doorbraak op het gebied van mobiele AI. **Phi-3-mini** (3,8 miljard) kan op smartphones draaien en bereikt prestaties die vergelijkbaar zijn met Mixtral 8x7B en GPT-3.5<sup>[\[8\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-8)</sup>. De familie omvat ook de varianten **Phi-3-small** (7 miljard) en **Phi-3-medium** (14 miljard).

<!-- -->

- **Phi-3.5 (3,8 - 6,6 miljard actieve parameters):** Aangekondigd in 2024 omvat deze familie drie belangrijke modellen:
  - **Phi-3.5-mini-instruct:** Een geoptimaliseerde versie met verbeterde meertalige ondersteuning.
  - **Phi-3.5-MoE-instruct:** Een model gebaseerd op de Mixture-of-Experts-architectuur met 16 experts en 6,6 miljard actieve parameters.
  - **Phi-3.5-Vision-instruct:** Een multimodaal model voor de verwerking van tekst en afbeeldingen<sup>[\[9\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-9)</sup>.

<!-- -->

- **Phi-4 (14 miljard parameters):** Een model dat gespecialiseerd is in complexe wiskundige redeneringen. Het toont prestaties die vergelijkbaar zijn met Gemini-1.5-Flash en GPT-4o-mini, bij een aanzienlijk kleinere omvang. **Phi-4-reasoning** overtreft DeepSeek-R1-Distill-Llama-70B<sup>[\[10\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-10)</sup>.
- **Phi-4-Multimodal (5,6 miljard parameters):** Het eerste volledig multimodale model van de familie, dat tekst, afbeeldingen en audio tegelijkertijd kan verwerken. Het maakt gebruik van de innovatieve **Mixture-of-LoRAs**-aanpak voor een efficiënte verwerking van verschillende modaliteiten zonder onderlinge interferentie<sup>[\[11\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-11)</sup>.

## Architectuur en technische kenmerken

- **Architectuur:** De Phi-modellen maken gebruik van een standaard decoder-only transformer-architectuur met belangrijke optimalisaties zoals **Grouped Query Attention** en **Flash Attention** voor een verhoogde efficiëntie<sup>[\[12\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-12)</sup>.
- **Lokale implementatie:** De modellen zijn geoptimaliseerd voor gebruik op apparaten met beperkte middelen. **Phi-3-mini** vereist bijvoorbeeld slechts 1,8 GB geheugen bij 4-bit kwantisatie en kan op een iPhone 14 draaien<sup>[\[13\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-13)</sup>.
- **Ondersteuning van frameworks:** De Phi-modellen zijn beschikbaar via de **Microsoft Azure AI Model Catalog**, **Hugging Face**, **Ollama** en **NVIDIA NIM microservices**, wat zorgt voor een brede integratie en toegankelijkheid voor ontwikkelaars<sup>[\[14\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-14)</sup>.

## Prestaties en benchmarks

| Model            | Parameters | 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        | \-   | \-       | Overtreft GPT-4 |

Vergelijkende prestaties van Phi-modellen op belangrijke benchmarks

**Phi-4** toont uitzonderlijke resultaten bij wiskundige taken, waaronder de American Mathematics Competitions (AMC), met prestaties die vergelijkbaar zijn met Gemini-1.5-Flash<sup>[\[15\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-15)</sup>. Het multimodale **Phi-3.5-Vision** overtreft concurrenten van vergelijkbare omvang en bereikt 57,0% op de BLINK-benchmark<sup>[\[16\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-16)</sup>.

## Gespecialiseerde toepassingen

De Phi-modellen tonen een hoge effectiviteit in niche-gebieden:

- **Geneeskunde:** Onderzoek toont een matige correlatie aan tussen de antwoorden van Phi-3 en de beoordelingen van deskundigen in medische en sportteksten<sup>[\[17\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-17)</sup>.
- **Detectie van haatzaaiende uitlatingen:** Het model HateTinyLLM, gebaseerd op Phi-2, bereikt meer dan 80% nauwkeurigheid bij deze taak met behulp van LoRA fine-tuning<sup>[\[18\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-18)</sup>.
- **Spelstrategieën:** Het model SC-Phi2 toonde mogelijkheden bij het voorspellen van strategieën in het spel StarCraft II<sup>[\[19\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-19)</sup>.

## Verantwoordelijke AI en veiligheid

De Phi-familie is ontwikkeld in overeenstemming met de normen van **Microsoft Responsible AI**, die principes omvatten van verantwoordingsplicht, transparantie, eerlijkheid en veiligheid. De modellen ondergaan een meervoudige veiligheidsbeoordeling, waaronder **Supervised Fine-Tuning (SFT)** en **Direct Preference Optimization (DPO)**, evenals tests in verschillende talen en risicocategorieën<sup>[\[20\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-20)</sup>.

## Beperkingen

Ondanks de indrukwekkende resultaten kunnen de Phi-modellen achterblijven bij gespecialiseerde grote modellen voor bepaalde complexe taken. **Phi-4** toont bijvoorbeeld goede resultaten bij chain-of-thought-redeneren, maar is beperkt door het ontbreken van de mogelijkheid tot het aanroepen van functies (function calling)<sup>[\[21\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-21)</sup>. Bovendien, hoewel **Phi-3.5** meer dan 20 talen ondersteunt, kunnen de prestaties variëren en toont onderzoek onnauwkeurigheden in antwoorden in andere talen dan het Engels<sup>[\[22\]](https://systems-analysis.info/int/Phi_(Microsoft)_(NL)#cite_note-22)</sup>.

## Literatuur

- 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.

## Noten

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