--- title: "Phi (Microsoft) (SV)" source: "https://systems-analysis.info/int/Phi_(Microsoft)_(SV)" wiki: "systems-analysis.info/int" article: "Phi_(Microsoft)_(SV)" language: "sv" categories: - "Category:Large language models" - "Category:LLM families" - "Category:Machine learning" - "Category:Swedish" revision_id: 5613 wiki_created_at: 2026-09-06T23:51:44Z wiki_modified_at: 2026-09-06T23:51:44Z downloaded_at: 2026-09-07T23:09:27Z --- # Phi (Microsoft) (SV) **Phi** — är en familj av Small Language Models (SLM), utvecklad av Microsoft Research. Dessa modeller representerar ett paradigmatiskt skifte inom AI-utveckling och visar att kompakta och beräkningseffektiva modeller kan uppnå prestanda jämförbar med mycket större system. Till skillnad från den traditionella ansatsen baserad på skalning av antalet parametrar fokuserar Phi-filosofin på kvaliteten hos träningsdata och innovativa träningsmetoder^{[\[1\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-1)}. Phi-modellerna är optimerade för uppgifter som kräver djupt logiskt resonemang, såsom programmering, matematik och textanalys. Tack vare sin kompakta storlek lämpar de sig utmärkt för driftsättning på lokala enheter (on-device AI), inklusive smartphones och bärbara datorer, vilket öppnar nya möjligheter för demokratisering av AI^{[\[2\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-2)}. ## Filosofi: «Textbooks Are All You Need» - «Läroböcker är allt du behöver» Den centrala hypotesen bakom Phi-projektet är att kvaliteten på data är viktigare än dess volym för att träna en högpresterande modell. Denna idé formulerades för första gången i forskningsarbetet **«Textbooks Are All You Need»**^{[\[3\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-3)}. Istället för att tränas på biljoner token från ett ofiltrerat webb tränas Phi-modellerna på ett noggrant utvalt och syntetiskt genererat dataset som till kvaliteten liknar en lärobok. Nyckelprinciperna för denna ansats: - **Data av «lärobokskvalitet»:** Träningskåren består av rent, logiskt sammanhängande och förklarande material inspirerat av barnböcker. - **Syntetiska data:** En betydande del av data genereras med hjälp av stora modeller (exempelvis GPT-4). För träning av **Phi-4** skapades till exempel 400 miljarder token av högkvalitativt syntetiskt innehåll via mer än 50 anpassade pipelines^{[\[4\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-4)[\[5\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-5)}. - **Iterativ träning:** Processen för dataskapande och modellträning sker iterativt, vilket möjliggör kontinuerlig förbättring av såväl datakvaliteten som modellen själv. Denna ansats gör det möjligt för Phi-modellerna att utveckla djupa resoneringsförmågor snarare än att enbart memorera statistiska mönster. ## Evolutionen av Phi-modellerna - **Phi-1 (1,3 miljarder parametrar):** Den första modellen, presenterad i juni 2023, var fokuserad på programmering i Python. Den visade överlägsen prestanda på benchmarkarna HumanEval och MBPP och bevisade effektiviteten hos ansatsen baserad på kvalitativa data^{[\[6\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-6)}. - **Phi-2 (2,7 miljarder parametrar):** Phi-2, som lanserades i december 2023, utvidgade sina förmågor till allmän språkförståelse med bibehållen kompakt arkitektur. Denna modell visade att SLM kan uppnå prestanda jämförbar med modeller som är tiotals gånger större^{[\[7\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-7)}. - **Phi-3 (3,8–14 miljarder parametrar):** Familjen, som presenterades i april 2024, blev ett genombrott inom mobil AI. **Phi-3-mini** (3,8 miljarder) kan köras på smartphones och uppnår prestanda jämförbar med Mixtral 8x7B och GPT-3.5^{[\[8\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-8)}. Familjen inkluderar även versionerna **Phi-3-small** (7 miljarder) och **Phi-3-medium** (14 miljarder). - **Phi-3.5 (3,8–6,6 miljarder aktiva parametrar):** Denna familj, som tillkännagavs 2024, inkluderar tre nyckelmodeller: - **Phi-3.5-mini-instruct:** En optimerad version med förbättrat flerspråkigt stöd. - **Phi-3.5-MoE-instruct:** En modell baserad på Mixture-of-Experts-arkitektur med 16 experter och 6,6 miljarder aktiva parametrar. - **Phi-3.5-Vision-instruct:** En multimodal modell för bearbetning av text och bilder^{[\[9\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-9)}. - **Phi-4 (14 miljarder parametrar):** En modell specialiserad på komplexa matematiska resonemang. Den uppvisar prestanda jämförbar med Gemini-1.5-Flash och GPT-4o-mini vid betydligt mindre storlek. **Phi-4-reasoning** överträffar DeepSeek-R1-Distill-Llama-70B^{[\[10\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-10)}. - **Phi-4-Multimodal (5,6 miljarder parametrar):** Familjens första fullt multimodala modell, som kan bearbeta text, bilder och ljud samtidigt. Den använder den innovativa ansatsen **Mixture-of-LoRAs** för effektiv bearbetning av olika modaliteter utan inbördes störningar^{[\[11\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-11)}. ## Arkitektur och tekniska egenskaper - **Arkitektur:** Phi-modellerna använder en standardtransformerarkitektur av typen decoder-only med viktiga optimeringar såsom **Grouped Query Attention** och **Flash Attention** för ökad effektivitet^{[\[12\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-12)}. - **Lokal driftsättning:** Modellerna är optimerade för att köras på enheter med begränsade resurser. **Phi-3-mini** kräver till exempel bara 1,8 GB minne vid 4-bitars kvantering och kan köras på iPhone 14^{[\[13\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-13)}. - **Stöd för ramverk:** Phi-modellerna är tillgängliga via **Microsoft Azure AI Model Catalog**, **Hugging Face**, **Ollama** och **NVIDIA NIM microservices**, vilket säkerställer bred integration och tillgänglighet för utvecklare^{[\[14\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-14)}. ## Prestanda och benchmarkar | Modell | Parametrar | 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 | \- | \- | Överträffar GPT-4 | Jämförande prestanda för Phi-modeller på centrala benchmarkar **Phi-4** uppvisar exceptionella resultat i matematiska uppgifter, inklusive American Mathematics Competitions (AMC), och visar prestanda jämförbar med Gemini-1.5-Flash^{[\[15\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-15)}. Den multimodala **Phi-3.5-Vision** överträffar konkurrenter av liknande storlek och uppnår 57,0% på benchmarken BLINK^{[\[16\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-16)}. ## Specialiserade tillämpningar Phi-modellerna uppvisar hög effektivitet inom nischade områden: - **Medicin:** Forskning visar måttlig korrelation mellan Phi-3:s svar och expertvärderingar inom medicinska och sportrelaterade texter^{[\[17\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-17)}. - **Detektering av hatfullt språk:** Modellen HateTinyLLM, baserad på Phi-2, uppnår mer än 80% noggrannhet i denna uppgift med hjälp av LoRA fine-tuning^{[\[18\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-18)}. - **Spelstrategier:** Modellen SC-Phi2 har visat förmåga att förutsäga strategier i spelet StarCraft II^{[\[19\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-19)}. ## Ansvarsfullt AI och säkerhet Phi-familjen är utvecklad i enlighet med standarderna för **Microsoft Responsible AI**, som inkluderar principerna om ansvarsskyldighet, transparens, rättvisa och säkerhet. Modellerna genomgår mångfacetterad säkerhetsutvärdering, inklusive **Supervised Fine-Tuning (SFT)** och **Direct Preference Optimization (DPO)**, samt testning på olika språk och inom riskkategorier^{[\[20\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-20)}. ## Begränsningar Trots imponerande resultat kan Phi-modellerna underprestera i förhållande till specialiserade stora modeller i vissa komplexa uppgifter. **Phi-4** uppvisar till exempel goda resultat i chain-of-thought-resonemang men begränsas av avsaknaden av funktionsanrop (function calling)^{[\[21\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-21)}. Dessutom, även om **Phi-3.5** stöder mer än 20 språk, kan dess prestanda variera, och forskning visar på felaktigheter i svar på andra språk än engelska^{[\[22\]](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_note-22)}. ## Litteratur - 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. ## Noter 1. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_ref-1) «The Phi-3 small language models with big potential». *Microsoft Source Features*. [1] 2. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#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)_(SV)#cite_ref-3) «Textbooks Are All You Need». *Microsoft Research*. [3] 4. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#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)_(SV)#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)_(SV)#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)_(SV)#cite_ref-7) «Новая ИИ-модель Phi-2 от Microsoft училась по учебникам». *TechInsider*. [7] 8. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_ref-8) «Phi-3 Technical Report». *arXiv*. [8] 9. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#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)_(SV)#cite_ref-10) «Phi-4 Technical Report». *arXiv*. [10] 11. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#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)_(SV)#cite_ref-12) «Phi-3: A Tutorial on Microsoft's Small Language Models (SLMs)». *DataCamp*. [12] 13. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#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)_(SV)#cite_ref-14) «Microsoft Phi». *Microsoft Azure*. [14] 15. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#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)_(SV)#cite_ref-16) «Phi-3.5-vision-instruct». *Hugging Face*. [16] 17. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#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)_(SV)#cite_ref-18) «HateTinyLLMs: A Small Language Model for Hate Speech Detection». *arXiv*. [18] 19. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_ref-19) «SC-Phi2: A Specialized Small Language Model for StarCraft II». *MDPI*. [19] 20. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_ref-20) «Microsoft’s Phi-3.5: a responsible, small language model». *Skymod*. [20] 21. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_ref-21) «Phi-4: A New Era of Small Language Models». *Meta-quantum.today*. [21] 22. [↑](https://systems-analysis.info/int/Phi_(Microsoft)_(SV)#cite_ref-22) «A Multi-faceted Analysis of Language-specific Bias in Large Language Models». *U.S. Securities and Exchange Commission*. [22]