{"id":20248,"date":"2025-05-15T07:00:00","date_gmt":"2025-05-15T10:00:00","guid":{"rendered":"https:\/\/darkorchid-wallaby-287256.hostingersite.com\/?p=20248"},"modified":"2025-05-14T17:50:35","modified_gmt":"2025-05-14T20:50:35","slug":"um-ano-de-phi-pequenos-modelos-de-linguagem-dando-grandes-saltos-em-ia","status":"publish","type":"post","link":"https:\/\/dataex.com.br\/en\/um-ano-de-phi-pequenos-modelos-de-linguagem-dando-grandes-saltos-em-ia\/","title":{"rendered":"Um ano de Phi: Pequenos modelos de linguagem dando grandes saltos em IA"},"content":{"rendered":"Reading time:<\/span> 9<\/span> minutes<\/span><\/span>\n
\"\"<\/figure>\n\n\n\n

Uma nova era da IA<\/h2>\n\n\n\n

H\u00e1 um ano, a Microsoft introduziu SLMs (modelos de linguagem pequena<\/strong>) para clientes com o lan\u00e7amento do Phi-3<\/strong> no Azure AI Foundry<\/a>, aproveitando a pesquisa sobre SLMs para expandir a gama de modelos e ferramentas de IA eficientes dispon\u00edveis para os clientes.<\/p>\n\n\n\n

Hoje, ser\u00e1 apresentado o racioc\u00ednio Phi-4, o racioc\u00ednio Phi-4 plus e o miniracioc\u00ednio Phi-4<\/strong> – marcando uma nova era para modelos de linguagem pequena e mais uma vez redefinindo o que \u00e9 poss\u00edvel com IA pequena e eficiente.<\/p>\n\n\n\n

Modelos de racioc\u00ednio, o pr\u00f3ximo passo \u00e0 frente<\/h2>\n\n\n\n

Os modelos de racioc\u00ednio<\/strong> s\u00e3o treinados para aproveitar o dimensionamento de tempo de infer\u00eancia para executar tarefas complexas que exigem decomposi\u00e7\u00e3o em v\u00e1rias etapas e reflex\u00e3o interna. Eles se destacam no racioc\u00ednio matem\u00e1tico e est\u00e3o emergindo como a espinha dorsal de aplicativos agenciais com tarefas complexas e multifacetadas. Tais recursos s\u00e3o normalmente encontrados apenas em grandes modelos de fronteira. Os modelos de racioc\u00ednio phi introduzem uma nova categoria de modelos de linguagem pequena. Usando destila\u00e7\u00e3o, aprendizado por refor\u00e7o e dados de alta qualidade, esses modelos equilibram tamanho e desempenho. Eles s\u00e3o pequenos o suficiente para ambientes de baixa lat\u00eancia, mas mant\u00eam fortes recursos de racioc\u00ednio que rivalizam com modelos muito maiores. Essa combina\u00e7\u00e3o permite que at\u00e9 mesmo dispositivos com recursos limitados executem tarefas complexas de racioc\u00ednio com efici\u00eancia.<\/p>\n\n\n\n

Racioc\u00ednio Phi-4 e racioc\u00ednio Phi-4-plus<\/h2>\n\n\n\n

O racioc\u00ednio Phi-4 <\/strong>\u00e9 um modelo de racioc\u00ednio de peso aberto de 14 bilh\u00f5es de par\u00e2metros que rivaliza com modelos muito maiores em tarefas de racioc\u00ednio complexas. Treinado por meio de ajuste fino supervisionado do Phi-4 em demonstra\u00e7\u00f5es de racioc\u00ednio cuidadosamente selecionadas do OpenAI o3-mini, o racioc\u00ednio Phi-4 gera cadeias de racioc\u00ednio detalhadas que efetivamente aproveitam a computa\u00e7\u00e3o adicional em tempo de infer\u00eancia. O modelo demonstra que a curadoria meticulosa de dados e conjuntos de dados sint\u00e9ticos de alta qualidade permitem que modelos menores concorram com contrapartes maiores.<\/p>\n\n\n\n

O Phi-4-reasoning-plus<\/strong> baseia-se nos recursos de racioc\u00ednio Phi-4, treinados com aprendizado por refor\u00e7o para utilizar mais computa\u00e7\u00e3o em tempo de infer\u00eancia, usando 1,5x mais tokens do que o racioc\u00ednio Phi-4, para oferecer maior precis\u00e3o.<\/p>\n\n\n\n

Apesar de seu tamanho significativamente menor, ambos os modelos alcan\u00e7am melhor desempenho do que o OpenAI o1-mini e o DeepSeek-R1-Distill-Llama-70B na maioria dos benchmarks, incluindo racioc\u00ednio matem\u00e1tico e Ph.D. quest\u00f5es cient\u00edficas de n\u00edvel Eles alcan\u00e7am um desempenho melhor do que o modelo DeepSeek-R1 completo (com 671 bilh\u00f5es de par\u00e2metros) no teste AIME 2025, o qualificador de 2025 para a Olimp\u00edada de Matem\u00e1tica dos EUA. Ambos os modelos est\u00e3o dispon\u00edveis no Azure AI Foundry<\/a> e no HuggingFace, aqui<\/a> e aqui<\/a>.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Figura 1. Desempenho do racioc\u00ednio Phi-4 em benchmarks de racioc\u00ednio representativos abrangendo racioc\u00ednio matem\u00e1tico e cient\u00edfico. Ilustramos os ganhos de desempenho do p\u00f3s-treinamento focado no racioc\u00ednio de Phi-4 via Phi-4-reasoning (SFT) e Phi-4-reasoning-plus (SFT+RL), juntamente com um conjunto representativo de linhas de base de duas fam\u00edlias de modelos: modelos de peso aberto da DeepSeek, incluindo DeepSeek R1 (671B Mixture-of-Experts) e sua variante densa destilada DeepSeek-R1 Distill Llama 70B, e os modelos de fronteira propriet\u00e1rios da OpenAI o1-mini e o3-mini. O racioc\u00ednio Phi-4 e o racioc\u00ednio Phi-4-plus superam consistentemente o modelo b\u00e1sico Phi-4 por margens significativas, excedem o DeepSeek-R1 Distill Llama 70B (5x maior) e demonstram desempenho competitivo em rela\u00e7\u00e3o a modelos significativamente maiores, como o Deepseek-R1.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Figura 2. Precis\u00e3o de modelos em benchmarks de uso geral para: controle de qualidade de contexto de entrada longa (FlenQA), acompanhamento de instru\u00e7\u00f5es (IFEval), codifica\u00e7\u00e3o (HumanEvalPlus), compreens\u00e3o de conhecimento e linguagem (MMLUPro), detec\u00e7\u00e3o de seguran\u00e7a (ToxiGen) e outras habilidades gerais (ArenaHard e PhiBench).<\/p>\n\n\n\n

Os modelos de racioc\u00ednio Phi-4 introduzem uma grande melhoria em rela\u00e7\u00e3o ao Phi-4, superam modelos maiores como o DeepSeek-R1-Distill-70B e abordam o Deep-Seek-R1 em v\u00e1rios recursos gerais e de racioc\u00ednio, incluindo matem\u00e1tica, codifica\u00e7\u00e3o, resolu\u00e7\u00e3o de problemas algor\u00edtmicos e planejamento. O relat\u00f3rio t\u00e9cnico<\/a> fornece extensas evid\u00eancias quantitativas dessas melhorias por meio de diversas tarefas de racioc\u00ednio.<\/p>\n\n\n\n

Phi-4-mini-racioc\u00ednio<\/h2>\n\n\n\n

O Phi-4-mini-reasoning<\/strong> foi projetado para atender \u00e0 demanda por um modelo de racioc\u00ednio compacto. Esse modelo de linguagem baseado em transformador \u00e9 otimizado para racioc\u00ednio matem\u00e1tico, fornecendo solu\u00e7\u00e3o de problemas passo a passo de alta qualidade em ambientes com computa\u00e7\u00e3o restrita ou lat\u00eancia. Ajustado com dados sint\u00e9ticos gerados pelo modelo Deepseek-R1, o mini-racioc\u00ednio Phi-4 equilibra efici\u00eancia com capacidade de racioc\u00ednio avan\u00e7ada. \u00c9 ideal para aplicativos educacionais, tutoria incorporada e implanta\u00e7\u00e3o leve em sistemas m\u00f3veis ou de ponta, e \u00e9 treinado em mais de um milh\u00e3o de problemas matem\u00e1ticos diversos, abrangendo v\u00e1rios n\u00edveis de dificuldade, do ensino m\u00e9dio ao n\u00edvel de doutorado. Experimente o modelo no Azure AI Foundry<\/a> or no HuggingFace<\/a> hoje mesmo.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Figura 3. O gr\u00e1fico compara o desempenho de v\u00e1rios modelos em benchmarks matem\u00e1ticos populares para gera\u00e7\u00e3o de frases longas. O Phi-4-mini-reasoning supera seu modelo b\u00e1sico na gera\u00e7\u00e3o de frases longas em cada avalia\u00e7\u00e3o, bem como modelos maiores como OpenThinker-7B, Llama-3.2-3B-instruct, DeepSeek-R1-Distill-Qwen-7B, DeepSeek-R1-Distill-Llama-8B e Bespoke-Stratos-7B. O racioc\u00ednio Phi-4-mini \u00e9 compar\u00e1vel ao OpenAI o1-mini em benchmarks matem\u00e1ticos, superando o desempenho do modelo durante as avalia\u00e7\u00f5es Math-500 e GPQA Diamond. Como visto acima, o mini-racioc\u00ednio Phi-4 com par\u00e2metros 3.8B supera os modelos com mais de duas vezes seu tamanho.<\/p>\n\n\n\n

Para obter mais informa\u00e7\u00f5es sobre o modelo, leia o relat\u00f3rio t\u00e9cnico<\/a> que fornece insights quantitativos adicionais.<\/p>\n\n\n\n

Modelos de racioc\u00ednio Phi em a\u00e7\u00e3o<\/h2>\n\n\n\n

A evolu\u00e7\u00e3o da Phi no ano passado empurrou continuamente esse envelope de qualidade versus tamanho, expandindo a fam\u00edlia com novos recursos para atender a diversas necessidades. Em toda a escala de dispositivos Windows 11, esses modelos est\u00e3o dispon\u00edveis para execu\u00e7\u00e3o local em CPUs e GPUs.<\/p>\n\n\n\n

\u00c0 medida que o Windows trabalha para criar um novo tipo de PC, os modelos Phi tornaram-se parte integrante dos PCs Copilot+ com a variante Phi Silica<\/a> otimizada para NPU. Esta vers\u00e3o altamente eficiente e gerenciada pelo sistema operacional do Phi foi projetada para ser pr\u00e9-carregada na mem\u00f3ria e dispon\u00edvel com tempo extremamente r\u00e1pido para as primeiras respostas de token e taxa de transfer\u00eancia de token com efici\u00eancia de energia para que possa ser invocada simultaneamente com outros aplicativos em execu\u00e7\u00e3o em seu PC.<\/p>\n\n\n\n

Ele \u00e9 usado em experi\u00eancias principais como o Click to Do<\/a>, fornecendo ferramentas \u00fateis de intelig\u00eancia de texto para qualquer conte\u00fado na tela, e est\u00e1 dispon\u00edvel como APIs de desenvolvedor<\/a> para serem prontamente integradas aos aplicativos – j\u00e1 sendo usado em v\u00e1rios aplicativos de produtividade como o Outlook, oferecendo seus recursos de resumo do Copilot offline. Esses modelos pequenos, mas poderosos, j\u00e1 foram otimizados e integrados para serem usados em v\u00e1rios aplicativos em toda a amplitude do nosso ecossistema de PCs. Os modelos de racioc\u00ednio Phi-4 e mini-racioc\u00ednio Phi-4 aproveitam as otimiza\u00e7\u00f5es de baixo bit para Phi Silica e estar\u00e3o dispon\u00edveis para execu\u00e7\u00e3o em breve nas NPUs do Copilot + PC.<\/p>\n\n\n\n

Seguran\u00e7a e abordagem da Microsoft para IA respons\u00e1vel<\/h2>\n\n\n\n

Na Microsoft, a IA respons\u00e1vel<\/a> \u00e9 um princ\u00edpio fundamental que orienta o desenvolvimento e a implanta\u00e7\u00e3o de sistemas de IA, incluindo nossos modelos Phi. Os modelos Phi s\u00e3o desenvolvidos de acordo com os princ\u00edpios de IA da Microsoft: responsabilidade, transpar\u00eancia, justi\u00e7a, confiabilidade e seguran\u00e7a, privacidade e inclus\u00e3o.<\/p>\n\n\n\n

A fam\u00edlia de modelos Phi adotou uma abordagem robusta de seguran\u00e7a p\u00f3s-treinamento, aproveitando uma combina\u00e7\u00e3o de t\u00e9cnicas de Ajuste Fino Supervisionado (SFT), Otimiza\u00e7\u00e3o de Prefer\u00eancia Direta (DPO) e Aprendizado por Refor\u00e7o com Feedback Humano (RLHF). Esses m\u00e9todos utilizam v\u00e1rios conjuntos de dados, incluindo conjuntos de dados dispon\u00edveis publicamente focados em utilidade e inofensividade, bem como v\u00e1rias perguntas e respostas relacionadas \u00e0 seguran\u00e7a. Embora a fam\u00edlia de modelos Phi seja projetada para executar uma ampla gama de tarefas de forma eficaz, \u00e9 importante reconhecer que todos os modelos de IA podem apresentar limita\u00e7\u00f5es. Para entender melhor essas limita\u00e7\u00f5es e as medidas em vigor para resolv\u00ea-las, consulte os modelos de cart\u00f5es abaixo, que fornecem informa\u00e7\u00f5es detalhadas sobre pr\u00e1ticas e diretrizes respons\u00e1veis de IA.<\/p>\n\n\n\n

Saiba mais aqui:<\/strong><\/p>\n\n\n\n