这个月的微软Build大会上，微软正式官宣了Phi-3家族新成员：Phi-3-vision、Phi-3-small，Phi-3-medium。
此外，还有上个月就发布技术报告的Phi-3-mini，刚推出时，就让许多开发者印象深刻。
比如，Xenova基于Phi-3-mini开发了一个完全在本地运行的浏览器聊天应用WebGPU，demo看起来的效果像是经过加速的视频：
结果Xenova还要特意出来声明：视频没加速，部署的模型就是这么快，平均每秒生成69.85个token。
在人人追求LLM的大环境下，微软却始终没有放弃SLM这条路。
从去年6月Phi-1面世，到Phi-1.5、Phi-2，再到如今Phi-3，微软小模型已经完成四次迭代升级。
这次3.8B参数的Phi-3-mini、7B的small和14B的medium，相比规模更大的模型，都展现出了更强的能力。
并且作为开源模型，可以在手机上、甚至在树莓派上部署，微软简直太宠爱开发者了。
昨天，微软Gen AI Research的副总裁Sebastien Bubeck在推特上宣布更新了Phi-3的技术报告，添加了small和medium版本的最终得分，以及视觉模型的测评结果。
在评论区，网友们尽情抒发对Phi-3这种开源且强大的小模型的喜爱之情。
甚至有人形容，这是「微软给开源世界的礼物」。
或许，微软在SLM这条路上真的赌对了？让有强大能力的模型真正落地、渗透到各种应用中，才能带来真正的变革。
Phi-3结果提示我们，用如此少的内存足迹可以实现多少可能性，现在有真正的机会可以让模型扩展到各种app上了
那么，Phi-3系列的实力到底如何？我们可以从最新版的技术报告一探究竟。
Phi-3语言模型：小而美
Phi-3-mini与small都使用了标准的纯解码器Transformer架构。
为了最大程度方便开源社区，Phi-3-mini使用了和Llama 2相同的分词器和类似的块结构，这就意味着所有部署在Llama 2上的软件包都可以无缝迁移。
small版模型则使用OpenAI的tiktoken分词器，更适合多语言任务，此外为了实现高效的训推，也在模型架构上做了许多改进：
- 用GEGLU激活函数代替GELU
- 使用最大更新参数化策略（Maximal Update Parameterization）在代理模型上调整超参数，保证模型训练时的参数稳定
- 采用分组查询注意力
- 设计了块稀疏注意力模块（blocksparse attention module），用较少的KV缓存处理更长的上下文
- 为训练和推理分别实现不同的kernel，真正发挥块稀疏机制的优势，实现部署后的模型加速
Phi-3-mini部署时可以采用INT4量化，仅需占用1.8GB左右的内存。量化后部署在搭载A16芯片的iPhone 14上时，离线运行可以实现12 tokens/s的生成速度。
训练后也使用了多样化的高质量数据，进行SFT和DPO微调，涵盖数学、编码、推理、对话、模型身份和安全性等多个领域。此外，也在这个阶段将mini版本的上下文长度扩展到了128k。
通过使用少样本提示，技术报告将不同参数量的Phi-3模型和Mistral、Gemma以及Llama 3、Mixtral（8X7B）、GPT-3.5等模型对比，在21个基准上进行测试。
相比2.7B的Phi-2模型，Phi-3模型的参数增长了1.1B，但在所有测试中几乎都实现了10分及以上的性能提升，基本可以和8B的Llama 3打成平手。
总体来看，7B参数的small版本可以和GPT-3.5对标，除了在TriviaQA和TrufulQA上有较大差距，其余测试的分数基本持平，甚至在GSM-8K、SociQA、BigBench-Hard、WinoGrande等测试上还有大幅度领先。
而medium模型的表现并不如意，虽然相比small多了7B的参数，但用的是Phi-3-mini同款架构，在各个测试中都没有明显优势，在ANLI和OpenBookQA上还有性能倒退。
Phi-3-Vision：4.2B的强大多模态
Phi-3-V依旧坚持了语言模型的「小参数」策略，参数量仅有4.2B，可以接受图像或文本提示作为输入，然后生成文本输出。
模型架构也非常简洁，包含图像编码器CLIP ViT-L以及文本解码器Phi-3-mini-128K-instruct。
预训练过程总共涉及0.5T token的数据，包含纯文本、表格、图表以及图像和文本相交错的数据，预训练后同样进行了SFT和DPO微调，也是多模态任务和纯文本任务同时进行。
通过完全相同的pipeline生成的结果，技术报告将Phi-3-Vision与通义千问、Claude、Gemini 1.0 Pro和GPT-4V Turbo等模型进行了对比。
在总共12个基准测试中，在ScienceQA、POPE、AI2D、ChartQA和TextVQA这5个任务上，Phi-3-V都取得了比GPT-4V-Turbo更高的分数。
其中图表问答任务ChartQA中，Phi-3相较GPT-4V提升了19分，ScienceQA则领先15分达到了90.8分。
而在其他任务上，虽然分数不敌GPT-4V，但也可以高到与Claude 3和Gemini 1.0 Pro对打，甚至超过这些更大的模型。
比如MathVista和Inter-GPS上，都领先Gemini约10分左右。
Phi-3-Vision在图像理解和推理方面的能力
数据换参数
Phi-3为什么能用较少的参数得到强大的能力？技术报告从侧面揭示了答案。
微软在Phi系列模型的探索中发现了一种训练数据「配方」，可以在小模型中实现更大模型才有的性能。
这种配方就是LLM过滤后的公开网络数据，与LLM合成数据相结合。这可以启发我们，数据内容与质量到底能在多大程度上影响模型性能。
这完全是通过更改训练数据实现的...开发出一种更紧凑的语言模型，可以与ChatGPT的能力媲美，同时能在手机上运行，这证明了数据启动的机器学习的力量。通过精心策划并优化训练数据集，可以在不影响性能的情况下显著缩小模型规模。
Phi-1模型就是用「教科书质量」的数据，首次实现了SLM的性能突破。
论文地址：https://arxiv.org/abs/2306.11644
技术报告将这种数据驱动的方法称为「数据最优机制」（Data Optimal Regime）。在给定规模的情况下，尝试「校准」训练数据，使其更接近SLM的「数据最佳」状态。
这意味着在样本级别进行数据的筛选，不仅要包含正确的「知识」，还要能最大程度提升模型的推理能力。
而Phi-3-medium在提升7B参数后性能没有明显进步，一方面可能由于架构与参数规模不适配，另一方面也可能缘于「数据混合」的工作没有达到14B模型的最佳状态。
然而，天下没有免费的午餐，即使有架构和训练策略的改进，参数的缩小也不是没有代价的。
比如，没有多余的参数来隐式存储太多「事实知识」，这可能导致了Phi-3语言模型在TriviaQA上的低分，视觉模型的推理能力也被局限。
虽然团队在数据、训练和红队工作上付出了大量努力，也看到了显著成效，但模型的幻觉和偏见问题依旧有很大改进空间。
此外，训练和基准测试主要用英语进行，SLM的多语言能力还有待探索。
