Phi-4-reasoning

Phi-4-reasoning представляет собой 14-миллиардную модель, созданную на основе базовой Phi-4 через supervised fine-tuning с использованием более 1.4 миллионов тщательно отобранных промптов и высококачественных ответов, сгенерированных моделью o3-mini1. Модель специализируется на задачах, требующих сложного многоступенчатого мышления, и демонстрирует способность генерировать детальные цепочки рассуждений, при этом эффективно используют вычислительные ресурсы во время инференса.

Ключевые характеристики производительности модели впечатляют: она превосходит значительно более крупные открытые модели, такие как DeepSeek-R1-Distill-Llama-70B, и приближается к уровню производительности полной модели DeepSeek-R1 на различных бенчмарках. На математических задачах AIME 2025 модель показывает улучшение более чем на 50 процентных пунктов по сравнению с базовой Phi-4, а на задачах программирования LiveCodeBench - улучшение более чем на 25 процентных пунктов.Особенностью Phi-4-reasoning является её способность к обобщению и переносу знаний на задачи, которые не были специально включены в обучающие данные, также демонстрирует улучшения в общих задачах, включая следование инструкциям и детекцию токсичного контента.

Phi-4-reasoning идеально подходит для применений, требующих надежного логического мышления при ограниченных вычислительных ресурсах: образовательные платформы для решения математических задач, системы автоматизированного программирования, научные исследовательские инструменты, а также любые приложения, где необходимо балансировать высокое качество рассуждений с эффективностью использования ресурсов.

Дата анонса: 30.04.2025
Параметров: 14.7B
Контекст: 32K
Тип внимания: Full Attention
Потребление памяти: 13.1 ГБ в точности 4 бит
Разработчик: Microsoft
Версия Transformers: 4.51.1
Лицензия: MIT

Воспользуйтесь нашими готовыми публичными эндпоинтами для теста инференса и знакомства с Phi-4-reasoning.

Арендуйте собственный физически выделенный инстанс с почасовой оплатой или на длительный срок с помесячной оплатой.

Мы рекомендуем создание частных инстансов в случаях, если необходимо:

• получить максимальную производительность эндпоинта,
• получить полный контекст для обработки больших запросов и диалогов,
• обеспечить максимальную безопасность, для обработки данных в выделенном изолированном пространстве,
• использовать кастомизированные веса: fine-tuned версии или lora-адаптеры.

Свяжитесь с нашей специализированной группой поддержки по нейросетям nn@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.