Microsoft stellt Phi-4 vor, ein neues generatives KI-Modell – Hier ist das Paket

Microsoft hat Phi-4 vorgestellt, die neueste Iteration seiner Phi-Serie von generativen künstlichen Intelligenz (KI)-Modellen. Die optimierte Architektur integriert Fortschritte im mathematischen Problemlösen. 

Berichten zufolge zielt das neue Modell mit 14 Milliarden Parametern darauf ab, mit anderen kompakten KI-Modellen wie GPT-4o Mini, Gemini 2.0 Flash und Claude 3.5 Haiku zu konkurrieren.

Laut Microsofts Blog ist Phi-4 mit eingeschränktem Zugriff über Microsofts Azure AI Foundry-Plattform verfügbar und auf Forschungszwecke unter einem Microsoft-Forschungslizenzvertrag beschränkt.

Phi-4: Verbesserte Leistung im mathematischen Reasoning

Microsoft positioniert Phi-4 als Führer im mathematischen Problemlösen und zitiert erhebliche Leistungssteigerungen gegenüber seinen Vorgängern und vergleichbaren Modellen. Das Unternehmen ist zuversichtlich bezüglich der Fähigkeiten des KI-Modells, nachdem Phi-4 Berichten zufolge in mehreren standardisierten Benchmarks Spitzenwerte erreichte. 

Im GPQA-Test erreichte es 56,1 Punkte und übertraf damit GPT-4o mit 40,9 und Llama-3 mit 49,1. Auf dem MATH-Benchmark erreichte Phi-4 80,4 Punkte, was seine fortgeschrittenen Fähigkeiten beim Lösen komplexer mathematischer Probleme widerspiegelt. Es glänzte auch in Coding-Benchmarks und erreichte einen Wert von 82,6 auf HumanEval.

Darüber hinaus zeigte Phi-4 seine Stärke in realen Szenarien, einschließlich hoher Werte bei Problemen aus den American Mathematics Competitions (AMC-10/12) der Mathematical Association of America. Diese Ergebnisse deuten auf potenzielle Anwendungen in der wissenschaftlichen Forschung, im Ingenieurwesen und im Finanzmodellierung hin, Bereichen, in denen mathematische Genauigkeit und Reasoning entscheidend sind.

Während größere Modelle wie OpenAIs GPT-4o und Googles Gemini Ultra mit Hunderten von Milliarden oder sogar Billionen von Parametern arbeiten, zeigt Phi-4, dass kleinere, optimierte Architekturen in spezialisierten Aufgaben eine überlegene Leistung erbringen können. 

Microsoft schreibt die Fortschritte von Phi-4 der Integration von hochwertigen synthetischen Daten zusammen mit Datensätzen menschlich generierter Inhalte sowie nicht offengelegten Verbesserungen während des Post-Trainings zu. Diese Bemühungen spiegeln einen breiteren Trend in der KI-Branche wider, bei dem Forschungsteams zunehmend Innovationen in der Nutzung synthetischer Daten und der Optimierung nach dem Training im Fokus haben.

Der CEO von Scale AI, Alexandr Wang, hat diese Verschiebung kürzlich hervorgehoben und bemerkte, dass die Branche eine „Pre-Training-Datenmauer“ erreicht hat, und fügte hinzu, dass Unternehmen nun einen Wettlauf um die Entwicklung effizienterer KI-Modelle aufnehmen werden.

Rechenleistung ist wichtig, aber auch Daten, und wir haben eine Pre-Training-Datenmauer erreicht.

Machen Sie sich bereit für den Post-Training-Daten-Boom. Unternehmen werden darum wetteifern, die besten Frontier-Daten zu haben – multimodal, agentic, komplexes Reasoning und mehr.

Folgen Sie den Daten, finden Sie die Gewinner.

7/8

— Alexandr Wang (@alexandr_wang) Dezember 12, 2024

Verantwortungsvolle KI und Sicherheitsfunktionen

Microsoft betont weiterhin die verantwortungsvolle Entwicklung von KI-Lösungen und integriert robuste Sicherheitsmaßnahmen in Phi-4 und seine Vorgänger. Über Azure AI Foundry erhalten Nutzer Zugang zu Tools, die darauf ausgelegt sind, Risiken über den gesamten KI-Entwicklungslebenszyklus hinweg zu bewerten und zu mindern. 

Zu diesen Tools gehören Prompt-Shields, die vor unangemessenen oder schädlichen Eingaben schützen, Erkennung geschützten Materials, um sensible Inhalte in Ausgaben zu identifizieren, und Groundedness-Erkennung, um sicherzustellen, dass Ausgaben faktisch korrekt und relevant sind.

Darüber hinaus sind Funktionen in das Content-Safety-Toolkit von Azure AI integriert, die es Entwicklern ermöglichen, Filter anzuwenden und Anwendungen auf Qualität, Sicherheit und Datenintegrität zu überwachen. Echtzeit-Warnungen bieten rechtzeitige Eingriffe, um Probleme wie adversariale Prompts und Inhaltsabweichungen zu adressieren.

Azure AI Foundry unterstützt weiterhin iterative Modellevaluierungen mit sowohl integrierten als auch benutzerdefinierten Metriken und gibt Entwicklern die Flexibilität, die _ihre KI-Anwendungen für optimale Leistung feinabzustimmen.