---
title: "Phi (Microsoft) (PL)"
source: "https://systems-analysis.info/int/Phi_(Microsoft)_(PL)"
wiki: "systems-analysis.info/int"
article: "Phi_(Microsoft)_(PL)"
language: "pl"
categories:
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
  - "Category:Polish"
revision_id: 5610
wiki_created_at: 2026-09-06T23:51:42Z
wiki_modified_at: 2026-09-06T23:51:42Z
downloaded_at: 2026-09-07T23:09:26Z
---

# Phi (Microsoft) (PL)

**Phi** — to rodzina małych modeli językowych (Small Language Models, SLM), opracowana przez Microsoft Research. Modele te stanowią paradygmatyczną zmianę w dziedzinie tworzenia AI i pokazują, że kompaktowe oraz obliczeniowo wydajne modele mogą osiągać wydajność porównywalną z znacznie większymi systemami. W odróżnieniu od tradycyjnego podejścia opartego na skalowaniu liczby parametrów, filozofia Phi koncentruje się na jakości danych treningowych i innowacyjnych metodach trenowania<sup>[\[1\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-1)</sup>.

Modele Phi są zoptymalizowane pod kątem zadań wymagających głębokiego rozumowania logicznego, takich jak programowanie, matematyka i analiza tekstu. Dzięki swojemu niewielkiemu rozmiarowi idealnie nadają się do wdrażania na lokalnych urządzeniach (on-device AI), w tym smartfonach i laptopach, co otwiera nowe możliwości demokratyzacji AI<sup>[\[2\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-2)</sup>.

## Filozofia: „Podręczniki to wszystko, czego potrzebujesz"

Centralna hipoteza leżąca u podstaw projektu Phi głosi, że dla wytrenowania wysokowydajnego modelu ważniejsza jest jakość danych niż ich ilość. Idea ta została po raz pierwszy sformułowana w pracy badawczej **„Textbooks Are All You Need»**<sup>[\[3\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-3)</sup>. Zamiast trenować się na bilionach tokenów z niefiltrowanego internetu, modele Phi uczą się na starannie wyselekcjonowanym i syntetycznie wygenerowanym datasecie, który jakością przypomina podręcznik.

Kluczowe zasady tego podejścia:

- **Dane „jakości podręcznika":** Korpus treningowy składa się z czystego, logicznie spójnego i wyjaśniającego materiału, inspirowanego książkami dla dzieci.
- **Dane syntetyczne:** Znaczna część danych jest generowana przy użyciu dużych modeli (np. GPT-4). Przykładowo, do trenowania **Phi-4** stworzono 400 miliardów tokenów wysokiej jakości treści syntetycznych za pośrednictwem ponad 50 dedykowanych pipeline'ów<sup>[\[4\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-4)[\[5\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-5)</sup>.
- **Iteracyjne trenowanie:** Proces tworzenia danych i trenowania modelu przebiega iteracyjnie, co pozwala na ciągłe doskonalenie zarówno jakości danych, jak i samego modelu.

Podejście to pozwala modelom Phi rozwijać głębokie zdolności rozumowania, a nie jedynie zapamiętywać wzorce statystyczne.

## Ewolucja modeli Phi

- **Phi-1 (1,3 mld parametrów):** Pierwszy model, zaprezentowany w czerwcu 2023 roku, był skoncentrowany na programowaniu w języku Python. Zademonstrował doskonałą wydajność na benchmarkach HumanEval i MBPP, udowadniając skuteczność podejścia opartego na wysokiej jakości danych<sup>[\[6\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-6)</sup>.

<!-- -->

- **Phi-2 (2,7 mld parametrów):** Wydany w grudniu 2023 roku, Phi-2 rozszerzył swoje możliwości na ogólne rozumienie języka, zachowując kompaktową architekturę. Model ten pokazał, że SLM mogą osiągać wydajność porównywalną z modelami kilkadziesiąt razy większymi<sup>[\[7\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-7)</sup>.

<!-- -->

- **Phi-3 (3,8 – 14 mld parametrów):** Rodzina zaprezentowana w kwietniu 2024 roku stała się przełomem w dziedzinie mobilnego AI. **Phi-3-mini** (3,8 mld) jest w stanie działać na smartfonach, osiągając wydajność porównywalną z Mixtral 8x7B i GPT-3.5<sup>[\[8\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-8)</sup>. Rodzina obejmuje również wersje **Phi-3-small** (7 mld) i **Phi-3-medium** (14 mld).

<!-- -->

- **Phi-3.5 (3,8 – 6,6 mld aktywnych parametrów):** Ogłoszona w 2024 roku, rodzina ta obejmuje trzy kluczowe modele:
  - **Phi-3.5-mini-instruct:** Zoptymalizowana wersja z ulepszoną obsługą wielu języków.
  - **Phi-3.5-MoE-instruct:** Model oparty na architekturze Mixture-of-Experts z 16 ekspertami i 6,6 mld aktywnych parametrów.
  - **Phi-3.5-Vision-instruct:** Multimodalny model do przetwarzania tekstu i obrazów<sup>[\[9\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-9)</sup>.

<!-- -->

- **Phi-4 (14 mld parametrów):** Model wyspecjalizowany w złożonym rozumowaniu matematycznym. Demonstruje wydajność porównywalną z Gemini-1.5-Flash i GPT-4o-mini przy znacznie mniejszym rozmiarze. **Phi-4-reasoning** przewyższa DeepSeek-R1-Distill-Llama-70B<sup>[\[10\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-10)</sup>.
- **Phi-4-Multimodal (5,6 mld parametrów):** Pierwszy w pełni multimodalny model rodziny, zdolny do jednoczesnego przetwarzania tekstu, obrazów i dźwięku. Wykorzystuje innowacyjne podejście **Mixture-of-LoRAs** do wydajnego przetwarzania różnych modalności bez wzajemnych zakłóceń<sup>[\[11\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-11)</sup>.

## Architektura i cechy techniczne

- **Architektura:** Modele Phi używają standardowej architektury transformera typu „tylko dekoder" (decoder-only) z kluczowymi optymalizacjami, takimi jak **Grouped Query Attention** i **Flash Attention**, zwiększającymi wydajność<sup>[\[12\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-12)</sup>.
- **Lokalne wdrożenie:** Modele są zoptymalizowane do działania na urządzeniach o ograniczonych zasobach. Przykładowo, **Phi-3-mini** wymaga zaledwie 1,8 GB pamięci przy 4-bitowej kwantyzacji i może działać na iPhone 14<sup>[\[13\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-13)</sup>.
- **Wsparcie dla frameworków:** Modele Phi są dostępne przez **Microsoft Azure AI Model Catalog**, **Hugging Face**, **Ollama** i **NVIDIA NIM microservices**, co zapewnia ich szeroką integrację i dostępność dla programistów<sup>[\[14\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-14)</sup>.

## Wydajność i benchmarki

| Model            | Parametry | 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       | \-   | \-       | Przewyższa GPT-4 |

Porównawcza wydajność modeli Phi na kluczowych benchmarkach

**Phi-4** demonstruje wyjątkowe wyniki w zadaniach matematycznych, w tym w American Mathematics Competitions (AMC), osiągając wydajność porównywalną z Gemini-1.5-Flash<sup>[\[15\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-15)</sup>. Multimodalny **Phi-3.5-Vision** przewyższa konkurentów podobnego rozmiaru, osiągając 57,0% na benchmarku BLINK<sup>[\[16\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-16)</sup>.

## Zastosowania specjalistyczne

Modele Phi wykazują wysoką skuteczność w niszowych dziedzinach:

- **Medycyna:** Badania wykazują umiarkowaną korelację odpowiedzi Phi-3 z ocenami ekspertów w tekstach medycznych i sportowych<sup>[\[17\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-17)</sup>.
- **Wykrywanie mowy nienawiści:** Model HateTinyLLM oparty na Phi-2 osiąga ponad 80% dokładności w tym zadaniu z zastosowaniem LoRA fine-tuning<sup>[\[18\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-18)</sup>.
- **Strategie w grach:** Model SC-Phi2 wykazał możliwości w przewidywaniu strategii w grze StarCraft II<sup>[\[19\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-19)</sup>.

## Odpowiedzialny AI i bezpieczeństwo

Rodzina Phi została opracowana zgodnie ze standardami **Microsoft Responsible AI**, które obejmują zasady odpowiedzialności, przejrzystości, sprawiedliwości i bezpieczeństwa. Modele przechodzą wieloaspektową ocenę bezpieczeństwa, w tym **Supervised Fine-Tuning (SFT)** i **Direct Preference Optimization (DPO)**, a także testy w różnych językach i kategoriach ryzyka<sup>[\[20\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-20)</sup>.

## Ograniczenia

Pomimo imponujących wyników, modele Phi mogą ustępować wyspecjalizowanym dużym modelom w niektórych złożonych zadaniach. Przykładowo, **Phi-4** osiąga dobre wyniki w rozumowaniu typu chain-of-thought, ale jest ograniczony brakiem możliwości wywoływania funkcji (function calling)<sup>[\[21\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-21)</sup>. Ponadto, choć **Phi-3.5** obsługuje ponad 20 języków, jego wydajność może się różnić, a badania wskazują na nieścisłości w odpowiedziach w językach innych niż angielski<sup>[\[22\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PL)#cite_note-22)</sup>.

## Literatura

- 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.

## Przypisy

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