---
title: "Phi (Microsoft) (PT)"
source: "https://systems-analysis.info/int/Phi_(Microsoft)_(PT)"
wiki: "systems-analysis.info/int"
article: "Phi_(Microsoft)_(PT)"
language: "pt"
categories:
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
  - "Category:Portuguese"
revision_id: 5611
wiki_created_at: 2026-09-06T23:51:42Z
wiki_modified_at: 2026-09-06T23:51:42Z
downloaded_at: 2026-09-07T23:09:27Z
---

# Phi (Microsoft) (PT)

**Phi** é uma família de modelos de linguagem pequenos (Small Language Models, SLM) desenvolvida pela Microsoft Research. Esses modelos representam uma mudança de paradigma no desenvolvimento de IA e demonstram que modelos compactos e computacionalmente eficientes podem atingir um desempenho comparável a sistemas muito maiores. Diferentemente da abordagem tradicional, baseada na escalabilidade do número de parâmetros, a filosofia Phi foca na qualidade dos dados de treinamento e em métodos inovadores de treinamento<sup>[\[1\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-1)</sup>.

Os modelos Phi são otimizados para tarefas que exigem raciocínio lógico profundo, como programação, matemática e análise de texto. Devido ao seu tamanho reduzido, são ideais para implantação em dispositivos locais (on-device AI), incluindo smartphones e notebooks, o que abre novas possibilidades para a democratização da IA<sup>[\[2\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-2)</sup>.

## Filosofia: "Livros didáticos são tudo o que você precisa"

A hipótese central por trás do projeto Phi é que a qualidade dos dados é mais importante do que seu volume para treinar um modelo de alto desempenho. Essa ideia foi formulada pela primeira vez no artigo de pesquisa **«Textbooks Are All You Need»**<sup>[\[3\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-3)</sup>. Em vez de serem treinados em trilhões de tokens da web não filtrada, os modelos Phi são treinados em um conjunto de dados cuidadosamente selecionado e gerado sinteticamente, que se assemelha a um livro didático em qualidade.

Os princípios-chave dessa abordagem são:

- **Dados com "qualidade de livro didático":** O corpus de treinamento consiste em material limpo, logicamente coeso e explicativo, inspirado em livros infantis.
- **Dados sintéticos:** Uma parte significativa dos dados é gerada com a ajuda de modelos maiores (por exemplo, GPT-4). Por exemplo, para treinar o **Phi-4**, foram criados 400 bilhões de tokens de conteúdo sintético de alta qualidade através de mais de 50 pipelines personalizados<sup>[\[4\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-4)[\[5\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-5)</sup>.
- **Treinamento iterativo:** O processo de criação de dados e treinamento do modelo ocorre de forma iterativa, o que permite melhorar continuamente a qualidade tanto dos dados quanto do próprio modelo.

Essa abordagem permite que os modelos Phi desenvolvam profundas capacidades de raciocínio, em vez de simplesmente memorizar padrões estatísticos.

## Evolução dos modelos Phi

- **Phi-1 (1.3 bilhão de parâmetros):** O primeiro modelo, apresentado em junho de 2023, foi focado em programação na linguagem Python. Ele demonstrou um desempenho superior nos benchmarks HumanEval e MBPP, provando a eficácia da abordagem baseada em dados de qualidade<sup>[\[6\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-6)</sup>.

<!-- -->

- **Phi-2 (2.7 bilhões de parâmetros):** Lançado em dezembro de 2023, o Phi-2 expandiu suas capacidades para a compreensão geral da linguagem, mantendo uma arquitetura compacta. Este modelo mostrou que os SLMs podem atingir um desempenho comparável a modelos dezenas de vezes maiores<sup>[\[7\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-7)</sup>.

<!-- -->

- **Phi-3 (3.8 a 14 bilhões de parâmetros):** A família, apresentada em abril de 2024, representou um avanço na área de IA móvel. O **Phi-3-mini** (3.8 bilhões) é capaz de rodar em smartphones, atingindo um desempenho comparável ao Mixtral 8x7B e GPT-3.5<sup>[\[8\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-8)</sup>. A família também inclui as versões **Phi-3-small** (7 bilhões) e **Phi-3-medium** (14 bilhões).

<!-- -->

- **Phi-3.5 (3.8 a 6.6 bilhões de parâmetros ativos):** Anunciada em 2024, esta família inclui três modelos principais:
  - **Phi-3.5-mini-instruct:** Uma versão otimizada com suporte multilíngue aprimorado.
  - **Phi-3.5-MoE-instruct:** Um modelo baseado na arquitetura Mixture-of-Experts com 16 especialistas e 6.6 bilhões de parâmetros ativos.
  - **Phi-3.5-Vision-instruct:** Um modelo multimodal para processamento de texto e imagens<sup>[\[9\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-9)</sup>.

<!-- -->

- **Phi-4 (14 bilhões de parâmetros):** Um modelo especializado em raciocínios matemáticos complexos. Ele demonstra um desempenho comparável ao Gemini-1.5-Flash e GPT-4o-mini, com um tamanho significativamente menor. O **Phi-4-reasoning** supera o DeepSeek-R1-Distill-Llama-70B<sup>[\[10\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-10)</sup>.
- **Phi-4-Multimodal (5.6 bilhões de parâmetros):** O primeiro modelo totalmente multimodal da família, capaz de processar simultaneamente texto, imagens e áudio. Ele utiliza uma abordagem inovadora chamada **Mixture-of-LoRAs** para processar eficientemente diferentes modalidades sem interferência mútua<sup>[\[11\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-11)</sup>.

## Arquitetura e características técnicas

- **Arquitetura:** Os modelos Phi utilizam uma arquitetura transformer padrão do tipo "somente decodificador" (decoder-only) com otimizações chave, como **Grouped Query Attention** e **Flash Attention**, para aumentar a eficiência<sup>[\[12\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-12)</sup>.
- **Implantação local:** Os modelos são otimizados para funcionar em dispositivos com recursos limitados. Por exemplo, o **Phi-3-mini** requer apenas 1.8 GB de memória com quantização de 4 bits e pode rodar em um iPhone 14<sup>[\[13\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-13)</sup>.
- **Suporte a frameworks:** Os modelos Phi estão disponíveis através do **Microsoft Azure AI Model Catalog**, **Hugging Face**, **Ollama** e **NVIDIA NIM microservices**, o que garante sua ampla integração e acessibilidade para desenvolvedores<sup>[\[14\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-14)</sup>.

## Desempenho e benchmarks

| Modelo           | Parâmetros | 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        | \-   | \-       | Supera o GPT-4 |

Desempenho comparativo dos modelos Phi nos principais benchmarks

O **Phi-4** demonstra resultados excepcionais em tarefas matemáticas, incluindo as American Mathematics Competitions (AMC), mostrando um desempenho comparável ao Gemini-1.5-Flash<sup>[\[15\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-15)</sup>. O multimodal **Phi-3.5-Vision** supera concorrentes de tamanho similar, atingindo 57.0% no benchmark BLINK<sup>[\[16\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-16)</sup>.

## Aplicações especializadas

Os modelos Phi demonstram alta eficácia em áreas de nicho:

- **Medicina:** Estudos mostram uma correlação moderada entre as respostas do Phi-3 e as avaliações de especialistas em textos médicos e esportivos<sup>[\[17\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-17)</sup>.
- **Detecção de discurso de ódio:** O modelo HateTinyLLM, baseado no Phi-2, atinge mais de 80% de precisão nesta tarefa com o uso de fine-tuning LoRA<sup>[\[18\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-18)</sup>.
- **Estratégias de jogos:** O modelo SC-Phi2 demonstrou capacidades na previsão de estratégias no jogo StarCraft II<sup>[\[19\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-19)</sup>.

## IA responsável e segurança

A família Phi foi desenvolvida em conformidade com os padrões da **Microsoft Responsible AI**, que incluem princípios de responsabilidade, transparência, justiça e segurança. Os modelos passam por uma avaliação de segurança multifacetada, incluindo **Supervised Fine-Tuning (SFT)** e **Direct Preference Optimization (DPO)**, além de testes em vários idiomas e categorias de risco<sup>[\[20\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-20)</sup>.

## Limitações

Apesar dos resultados impressionantes, os modelos Phi podem ser inferiores a modelos grandes especializados em algumas tarefas complexas. Por exemplo, o **Phi-4** mostra bons resultados em raciocínios do tipo chain-of-thought, mas é limitado pela falta da capacidade de chamada de função (function calling)<sup>[\[21\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-21)</sup>. Além disso, embora o **Phi-3.5** suporte mais de 20 idiomas, seu desempenho pode variar, e pesquisas indicam imprecisões nas respostas em idiomas diferentes do inglês<sup>[\[22\]](https://systems-analysis.info/int/Phi_(Microsoft)_(PT)#cite_note-22)</sup>.

## Literatura

- Gunasekar, S.; et al. (2023). *Textbooks Are All You Need*. <a href="https://arxiv.org/abs/2306.11644" class="external text" rel="nofollow">arXiv:2306.11644</a>.
- Gunasekar, S.; et al. (2023). *Textbooks Are All You Need II: phi‑1.5 Technical Report*. <a href="https://arxiv.org/abs/2309.05463" class="external text" rel="nofollow">arXiv:2309.05463</a>.
- Dao, T.; et al. (2022). *FlashAttention: Fast and Memory‑Efficient Exact Attention with IO‑Awareness*. <a href="https://arxiv.org/abs/2205.14135" class="external text" rel="nofollow">arXiv:2205.14135</a>.
- Zheng, S.; et al. (2023). *GQA: Training Generalized Multi‑Query Transformer Models for Faster Decoding*. <a href="https://arxiv.org/abs/2305.13245" class="external text" rel="nofollow">arXiv:2305.13245</a>.
- Feng, W.; et al. (2024). *Mixture‑of‑LoRAs: An Efficient Multitask Tuning for Large Language Models*. <a href="https://arxiv.org/abs/2403.03432" class="external text" rel="nofollow">arXiv:2403.03432</a>.
- Wu, X.; et al. (2024). *Mixture of LoRA Experts*. <a href="https://arxiv.org/abs/2404.13628" class="external text" rel="nofollow">arXiv:2404.13628</a>.
- Microsoft Research (2024). *Phi‑3 Technical Report*. <a href="https://arxiv.org/abs/2404.14219" class="external text" rel="nofollow">arXiv:2404.14219</a>.
- Abdin, M.; et al. (2024). *Phi‑4 Technical Report*. <a href="https://arxiv.org/abs/2412.08905" class="external text" rel="nofollow">arXiv:2412.08905</a>.
- Microsoft Research (2025). *Phi‑4‑reasoning Technical Report*. <a href="https://www.microsoft.com/en-us/research/wp-content/uploads/2025/04/phi_4_reasoning.pdf" class="external text" rel="nofollow">PDF</a>.
- Microsoft Research (2025). *Phi‑4‑Multimodal: Mixture‑of‑Modality‑LoRAs*. <a href="https://arxiv.org/abs/2503.01743" class="external text" rel="nofollow">arXiv:2503.01743</a>.

## Notas

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