---
title: "Phi (Microsoft) (TH)"
source: "https://systems-analysis.info/int/Phi_(Microsoft)_(TH)"
wiki: "systems-analysis.info/int"
article: "Phi_(Microsoft)_(TH)"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
  - "Category:Thai"
revision_id: 5614
wiki_created_at: 2026-09-06T23:51:45Z
wiki_modified_at: 2026-09-06T23:51:45Z
downloaded_at: 2026-09-07T23:09:28Z
---

# Phi (Microsoft) (TH)

**Phi** — คือกลุ่มโมเดลภาษาขนาดเล็ก (Small Language Models, SLM) ที่พัฒนาโดย Microsoft Research โมเดลเหล่านี้แสดงถึงการเปลี่ยนแปลงเชิงกระบวนทัศน์ในการพัฒนา AI และแสดงให้เห็นว่าโมเดลที่มีขนาดกะทัดรัดและประหยัดการคำนวณสามารถบรรลุประสิทธิภาพที่เทียบเท่ากับระบบที่ใหญ่กว่ามากได้ แตกต่างจากแนวทางดั้งเดิมที่เน้นการขยายจำนวนพารามิเตอร์ ปรัชญาของ Phi มุ่งเน้นไปที่คุณภาพของข้อมูลการฝึกและวิธีการฝึกที่สร้างสรรค์<sup>[\[1\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-1)</sup>

โมเดล Phi ได้รับการปรับให้เหมาะสมสำหรับงานที่ต้องการการอนุมานเชิงตรรกะเชิงลึก เช่น การเขียนโปรแกรม คณิตศาสตร์ และการวิเคราะห์ข้อความ ด้วยขนาดที่เล็ก โมเดลเหล่านี้จึงเหมาะอย่างยิ่งสำหรับการนำไปใช้งานบนอุปกรณ์ท้องถิ่น (on-device AI) รวมถึงสมาร์ทโฟนและแล็ปท็อป ซึ่งเปิดโอกาสใหม่ในการทำให้ AI เข้าถึงได้อย่างกว้างขวางยิ่งขึ้น<sup>[\[2\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-2)</sup>

## ปรัชญา: «Textbooks Are All You Need - ตำราเรียนคือทุกสิ่งที่คุณต้องการ»

สมมติฐานหลักที่เป็นรากฐานของโครงการ Phi คือ สำหรับการฝึกโมเดลที่มีประสิทธิภาพสูง คุณภาพของข้อมูลมีความสำคัญมากกว่าปริมาณ แนวคิดนี้ถูกกำหนดขึ้นครั้งแรกในงานวิจัย **«Textbooks Are All You Need»**<sup>[\[3\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-3)</sup> แทนที่จะฝึกบน token นับล้านล้านจากเว็บที่ไม่ผ่านการกรอง โมเดล Phi ฝึกบน dataset ที่คัดเลือกอย่างละเอียดและสร้างขึ้นโดยสังเคราะห์ ซึ่งมีคุณภาพคล้ายกับตำราเรียน

หลักการสำคัญของแนวทางนี้:

- **ข้อมูล «คุณภาพตำราเรียน»:** คลังข้อมูลการฝึกประกอบด้วยเนื้อหาที่สะอาด มีความสอดคล้องเชิงตรรกะ และมีลักษณะอธิบาย ได้รับแรงบันดาลใจจากหนังสือเด็ก
- **ข้อมูลสังเคราะห์:** ส่วนสำคัญของข้อมูลถูกสร้างขึ้นโดยใช้โมเดลขนาดใหญ่ (เช่น GPT-4) ตัวอย่างเช่น สำหรับการฝึก **Phi-4** มีการสร้าง token คุณภาพสูงที่สังเคราะห์จำนวน 400 พันล้าน token ผ่านมากกว่า 50 pipeline แบบกำหนดเอง<sup>[\[4\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-4)[\[5\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-5)</sup>
- **การฝึกแบบวนซ้ำ:** กระบวนการสร้างข้อมูลและการฝึกโมเดลดำเนินการแบบวนซ้ำ ซึ่งช่วยให้ปรับปรุงคุณภาพทั้งข้อมูลและโมเดลเองได้อย่างต่อเนื่อง

แนวทางนี้ช่วยให้โมเดล Phi พัฒนาความสามารถในการอนุมานเชิงลึก แทนที่จะเพียงแค่จดจำรูปแบบทางสถิติ

## วิวัฒนาการของโมเดล Phi

- **Phi-1 (1.3 พันล้านพารามิเตอร์):** โมเดลแรกที่เปิดตัวในเดือนมิถุนายน 2023 มุ่งเน้นการเขียนโปรแกรมด้วยภาษา Python โมเดลนี้แสดงประสิทธิภาพที่เหนือกว่าบน benchmark HumanEval และ MBPP พิสูจน์ให้เห็นถึงประสิทธิภาพของแนวทางที่อิงกับข้อมูลคุณภาพสูง<sup>[\[6\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-6)</sup>

<!-- -->

- **Phi-2 (2.7 พันล้านพารามิเตอร์):** เปิดตัวในเดือนธันวาคม 2023 Phi-2 ขยายความสามารถไปสู่การทำความเข้าใจภาษาทั่วไป ขณะที่ยังคงสถาปัตยกรรมที่กะทัดรัด โมเดลนี้แสดงให้เห็นว่า SLM สามารถบรรลุประสิทธิภาพที่เทียบเคียงได้กับโมเดลที่ใหญ่กว่าหลายสิบเท่า<sup>[\[7\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-7)</sup>

<!-- -->

- **Phi-3 (3.8 - 14 พันล้านพารามิเตอร์):** กลุ่มโมเดลที่เปิดตัวในเดือนเมษายน 2024 กลายเป็นความก้าวหน้าในด้าน AI สำหรับอุปกรณ์พกพา **Phi-3-mini** (3.8 พันล้าน) สามารถทำงานบนสมาร์ทโฟน โดยบรรลุประสิทธิภาพที่เทียบได้กับ Mixtral 8x7B และ GPT-3.5<sup>[\[8\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-8)</sup> กลุ่มโมเดลนี้ยังรวมถึงเวอร์ชัน **Phi-3-small** (7 พันล้าน) และ **Phi-3-medium** (14 พันล้าน)

<!-- -->

- **Phi-3.5 (3.8 - 6.6 พันล้านพารามิเตอร์ที่ใช้งาน):** ประกาศในปี 2024 กลุ่มโมเดลนี้รวมถึงโมเดลหลักสามรายการ:
  - **Phi-3.5-mini-instruct:** เวอร์ชันที่ปรับให้เหมาะสมพร้อมการรองรับหลายภาษาที่ดีขึ้น
  - **Phi-3.5-MoE-instruct:** โมเดลที่อิงสถาปัตยกรรม Mixture-of-Experts ที่มีผู้เชี่ยวชาญ 16 ราย และพารามิเตอร์ที่ใช้งาน 6.6 พันล้าน
  - **Phi-3.5-Vision-instruct:** โมเดลมัลติโมดัลสำหรับประมวลผลข้อความและภาพ<sup>[\[9\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-9)</sup>

<!-- -->

- **Phi-4 (14 พันล้านพารามิเตอร์):** โมเดลที่เชี่ยวชาญด้านการอนุมานทางคณิตศาสตร์ที่ซับซ้อน โมเดลนี้แสดงประสิทธิภาพที่เทียบเคียงได้กับ Gemini-1.5-Flash และ GPT-4o-mini แม้จะมีขนาดที่เล็กกว่ามาก **Phi-4-reasoning** แสดงประสิทธิภาพที่เหนือกว่า DeepSeek-R1-Distill-Llama-70B<sup>[\[10\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-10)</sup>
- **Phi-4-Multimodal (5.6 พันล้านพารามิเตอร์):** โมเดลมัลติโมดัลอย่างเต็มรูปแบบตัวแรกในกลุ่ม ที่สามารถประมวลผลข้อความ ภาพ และเสียงพร้อมกัน โมเดลนี้ใช้แนวทาง **Mixture-of-LoRAs** ที่สร้างสรรค์สำหรับการประมวลผล modality ต่าง ๆ อย่างมีประสิทธิภาพโดยไม่มีการรบกวนซึ่งกันและกัน<sup>[\[11\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-11)</sup>

## สถาปัตยกรรมและลักษณะเฉพาะทางเทคนิค

- **สถาปัตยกรรม:** โมเดล Phi ใช้สถาปัตยกรรม transformer แบบมาตรฐานชนิด decoder-only พร้อมการปรับให้เหมาะสมที่สำคัญ เช่น **Grouped Query Attention** และ **Flash Attention** เพื่อเพิ่มประสิทธิภาพ<sup>[\[12\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-12)</sup>
- **การใช้งานบนอุปกรณ์ท้องถิ่น:** โมเดลได้รับการปรับให้เหมาะสมสำหรับการทำงานบนอุปกรณ์ที่มีทรัพยากรจำกัด ตัวอย่างเช่น **Phi-3-mini** ต้องการหน่วยความจำเพียง 1.8 GB ด้วยการควอนไทซ์ 4 บิต และสามารถทำงานบน iPhone 14 ได้<sup>[\[13\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-13)</sup>
- **การรองรับ framework:** โมเดล Phi มีให้บริการผ่าน **Microsoft Azure AI Model Catalog**, **Hugging Face**, **Ollama** และ **NVIDIA NIM microservices** ซึ่งทำให้มีการผสานรวมที่กว้างขวางและเข้าถึงได้สำหรับนักพัฒนา<sup>[\[14\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-14)</sup>

## ประสิทธิภาพและ benchmark

| โมเดล            | พารามิเตอร์ | 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       | \-   | \-       | เหนือกว่า GPT-4 |

การเปรียบเทียบประสิทธิภาพของโมเดล Phi บน benchmark หลัก

**Phi-4** แสดงผลลัพธ์ที่โดดเด่นในงานคณิตศาสตร์ รวมถึง American Mathematics Competitions (AMC) โดยแสดงประสิทธิภาพที่เทียบเคียงได้กับ Gemini-1.5-Flash<sup>[\[15\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-15)</sup> โมเดลมัลติโมดัล **Phi-3.5-Vision** เหนือกว่าคู่แข่งที่มีขนาดใกล้เคียงกัน โดยบรรลุ 57.0% บน benchmark BLINK<sup>[\[16\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-16)</sup>

## การประยุกต์ใช้เฉพาะทาง

โมเดล Phi แสดงประสิทธิภาพสูงในด้านเฉพาะทาง:

- **การแพทย์:** งานวิจัยแสดงให้เห็นความสัมพันธ์ในระดับปานกลางระหว่างคำตอบของ Phi-3 กับการประเมินของผู้เชี่ยวชาญในข้อความทางการแพทย์และการกีฬา<sup>[\[17\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-17)</sup>
- **การตรวจจับคำพูดแสดงความเกลียดชัง:** โมเดล HateTinyLLM ที่อิงบน Phi-2 บรรลุความแม่นยำมากกว่า 80% ในงานนี้โดยใช้ LoRA fine-tuning<sup>[\[18\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-18)</sup>
- **กลยุทธ์ในเกม:** โมเดล SC-Phi2 แสดงความสามารถในการทำนายกลยุทธ์ในเกม StarCraft II<sup>[\[19\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-19)</sup>

## AI ที่รับผิดชอบและความปลอดภัย

กลุ่มโมเดล Phi ได้รับการพัฒนาตามมาตรฐาน **Microsoft Responsible AI** ซึ่งรวมถึงหลักการของความรับผิดชอบ ความโปร่งใส ความเป็นธรรม และความปลอดภัย โมเดลผ่านการประเมินความปลอดภัยหลายมิติ รวมถึง **Supervised Fine-Tuning (SFT)** และ **Direct Preference Optimization (DPO)** รวมถึงการทดสอบในหลายภาษาและในหมวดหมู่ความเสี่ยงต่าง ๆ<sup>[\[20\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-20)</sup>

## ข้อจำกัด

แม้จะมีผลลัพธ์ที่น่าประทับใจ โมเดล Phi อาจยังด้อยกว่าโมเดลขนาดใหญ่ที่เชี่ยวชาญเฉพาะทางในบางงานที่ซับซ้อน ตัวอย่างเช่น **Phi-4** แสดงผลลัพธ์ที่ดีในการอนุมานแบบ chain-of-thought แต่มีข้อจำกัดจากการขาดความสามารถในการเรียกใช้ฟังก์ชัน (function calling)<sup>[\[21\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-21)</sup> นอกจากนี้ แม้ว่า **Phi-3.5** จะรองรับมากกว่า 20 ภาษา ประสิทธิภาพอาจแตกต่างกันไป และงานวิจัยแสดงให้เห็นความไม่แม่นยำในคำตอบภาษาอื่นที่ไม่ใช่ภาษาอังกฤษ<sup>[\[22\]](https://systems-analysis.info/int/Phi_(Microsoft)_(TH)#cite_note-22)</sup>

## วรรณกรรม

- 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.

## หมายเหตุ

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