微软今天凌晨在官网上开源了最新版本的 Phi-4家族模型 ——Phi-4-mini-flash-reasoning。这一新版本在继承了 Phi-4系列参数小、性能强的优点基础上，专为受到计算能力、内存和延迟限制的场景设计，能够在单个 GPU 上运行，非常适合笔记本和平板电脑等边缘设备。
微软全新 Phi-4-mini 版发布：推理效率提升 10 倍，轻松适配笔记本
Phi-4-mini-flash-reasoning 的推出，标志着推理效率的显著提升，相较于前一版本，推理效率暴涨了10倍，同时平均延迟降低了2到3倍。这种大幅度的性能提升，使其在高级数学推理方面表现得尤为突出，非常适合教育和科研领域的应用。 这一版本的核心在于微软自研的 SambaY 架构。SambaY 是一种创新的解码器混合架构，由微软与斯坦福大学共同研发。通过引入门控存储单元，SambaY 能够实现跨层的高效记忆共享，从而在提升解码效率的同时，保持线性预填充时间复杂度，增强长上下文性能，并且无需显式位置编码。 在长文本生成任务中，SambaY 展现了显著的效率提升。在处理2K 长度的提示和32K 长度的生成任务时，解码吞吐量相较于传统的 Phi-4-mini-Reasoning 模型提高了10倍。此外，在数学推理能力的测试中，SambaY 的表现也有显著提高，特别是在复杂的数学问题上，能够生成清晰且逻辑连贯的解题步骤。
微软全新 Phi-4-mini 版发布：推理效率提升 10 倍，轻松适配笔记本
微软还通过 Phonebook 和 RULER 等基准测试评估了 SambaY 在长上下文检索方面的表现。在32K 长度的上下文中，SambaY 在 Phonebook 任务中达到了78.13% 的准确率，表现远超其他模型。这证明了 SambaY 在长上下文理解与生成能力上的优势。 为了验证 SambaY 的可扩展性，微软进行了大规模的预训练实验，使用了3.8B 参数的 Phi-4-mini-Flash 模型，并在5T tokens 的数据集上进行了训练。尽管训练过程中遇到了一些挑战，但通过引入标签平滑和注意力 dropout 等技术，模型最终成功收敛，并在知识密集型任务中取得了显著的性能提升。
| 
