Microsoft представила Phi-4-mini-flash-reasoning с 10-кратным приростом скорости вывода

Компания Microsoft представила новую рассуждающую ИИ-модель Phi-4-mini-flash-reasoning, оптимизированную для выполнения широкого спектра логических операций на мобильных устройствах, периферийных системах и в других средах с ограниченными вычислительными ресурсами. Благодаря применению инновационной гибридной архитектуры SambaY, модель демонстрирует до 10 раз более высокую скорость генерации ответов по сравнению с другими решениями семейства Microsoft Phi и обеспечивает в 2-3 раза меньшую задержку отклика.

Phi-4-mini-flash-reasoning является моделью с открытым исходным кодом, имеет 3,8 миллиардов параметров и оптимизирована для выполнения сложных математических задач с использованием функции рассуждения. Размер контекстного окна модели Phi-4-mini-flash-reasoning достигает 64 тысяч токенов, а обучение нейросети выполнялось с использованием высококачественных синтетических данных, что обеспечивает надежное, быстрое и производительное развертывание для выполнения задач, требующих интенсивной логической обработки. Подобно другим моделям линейки Phi, Phi-4-mini-flash-reasoning может быть развернута всего на одной видеокарте.

Ключевым компонентом архитектуры SambaY выступает Gated Memory Unit (GMU) — простой, но высокоэффективный механизм для обмена информацией между несколькими компонентами модели. Использование модулей GMU значительно повышает эффективность декодирования и ускоряет обработку длинных контекстов. Это обеспечивает высокую производительность в разнообразных сценариях и позволяет существенно ускорить процесс вывода нейросети без снижения качества выполнения логических операций.

В Microsoft заявляют, что новая модель отлично подойдет для интеграции в платформы адаптивного обучения, где критически важна обратная связь в реальном времени, а также для использования в качестве периферийных агентов, способных к логическому выводу. Кроме того, Phi-4-mini-flash-reasoning будет полезна в интерактивных образовательных системах, динамически подстраивающих сложность контента под успеваемость учащихся. Компания подчеркивает, что выдающаяся эффективность модели в математике и структурированном мышлении делает ее особенно ценной для сферы образовательных технологий (EdTech), простых симуляций и автоматизированных инструментов оценки, требующих надежного вывода с минимальным временем отклика. Модель Microsoft Phi-4-mini-flash-reasoning уже доступна для скачивания на платформе Hugging Face.

Microsoft вновь продемонстрировала свою превосходство в области создания компактных, но эффективных нейросетей для систем с ограниченными вычислительными ресурсами. Скорее всего, Phi-4-mini-flash-reasoning будет активно использоваться в ноутбуках и периферийных системах, однако массовый рынок все же продолжит пользоваться не такими компактными, но гораздо более эффективными большими языковыми моделями, вроде DeepSeek R1 или чат-ботами серии GPT.