Rapporto Tecnico Phi-4-Mini: Modelli Linguistici Multimodali Compatti ma Potenti tramite Mixture-of-LoRAs

Phi-4-Mini Technical Report: Compact yet Powerful Multimodal Language Models via Mixture-of-LoRAs

March 3, 2025

Autori: Abdelrahman Abouelenin, Atabak Ashfaq, Adam Atkinson, Hany Awadalla, Nguyen Bach, Jianmin Bao, Alon Benhaim, Martin Cai, Vishrav Chaudhary, Congcong Chen, Dong Chen, Dongdong Chen, Junkun Chen, Weizhu Chen, Yen-Chun Chen, Yi-ling Chen, Qi Dai, Xiyang Dai, Ruchao Fan, Mei Gao, Min Gao, Amit Garg, Abhishek Goswami, Junheng Hao, Amr Hendy, Yuxuan Hu, Xin Jin, Mahmoud Khademi, Dongwoo Kim, Young Jin Kim, Gina Lee, Jinyu Li, Yunsheng Li, Chen Liang, Xihui Lin, Zeqi Lin, Mengchen Liu, Yang Liu, Gilsinia Lopez, Chong Luo, Piyush Madan, Vadim Mazalov, Ali Mousavi, Anh Nguyen, Jing Pan, Daniel Perez-Becker, Jacob Platin, Thomas Portet, Kai Qiu, Bo Ren, Liliang Ren, Sambuddha Roy, Ning Shang, Yelong Shen, Saksham Singhal, Subhojit Som, Xia Song, Tetyana Sych, Praneetha Vaddamanu, Shuohang Wang, Yiming Wang, Zhenghao Wang, Haibin Wu, Haoran Xu, Weijian Xu, Yifan Yang, Ziyi Yang, Donghan Yu, Ishmam Zabir, Jianwen Zhang, Li Lyna Zhang, Yunan Zhang, Xiren Zhou

cs.AI

Abstract

Presentiamo Phi-4-Mini e Phi-4-Multimodal, modelli linguistici e multimodali compatti ma altamente performanti. Phi-4-Mini è un modello linguistico da 3,8 miliardi di parametri addestrato su dati web di alta qualità e dati sintetici, che supera significativamente i recenti modelli open-source di dimensioni simili eguagliando le prestazioni di modelli di dimensioni doppie in compiti di matematica e codifica che richiedono ragionamenti complessi. Questo risultato è ottenuto grazie a una ricetta di dati sintetici accuratamente curata, che enfatizza dataset di alta qualità per matematica e codifica. Rispetto al suo predecessore, Phi-3.5-Mini, Phi-4-Mini presenta una dimensione del vocabolario ampliata a 200K token per supportare meglio applicazioni multilingue, oltre a un'attenzione a query di gruppo per una generazione più efficiente di sequenze lunghe. Phi-4-Multimodal è un modello multimodale che integra modalità di input testuali, visive e vocali/audio in un unico modello. Il suo innovativo approccio di estensione modale sfrutta adattatori LoRA e router specifici per modalità, consentendo molteplici modalità di inferenza che combinano varie modalità senza interferenze. Ad esempio, attualmente si colloca al primo posto nella classifica OpenASR, nonostante il componente LoRA della modalità vocale/audio abbia solo 460 milioni di parametri. Phi-4-Multimodal supporta scenari che coinvolgono input (visione + linguaggio), (visione + voce) e (voce/audio), superando modelli visione-linguaggio e voce-linguaggio più grandi in un'ampia gamma di compiti. Inoltre, sperimentiamo un ulteriore addestramento di Phi-4-Mini per potenziare le sue capacità di ragionamento. Nonostante le sue dimensioni compatte di 3,8 miliardi di parametri, questa versione sperimentale raggiunge prestazioni di ragionamento pari o superiori a modelli significativamente più grandi, tra cui DeepSeek-R1-Distill-Qwen-7B e DeepSeek-R1-Distill-Llama-8B.

English

We introduce Phi-4-Mini and Phi-4-Multimodal, compact yet highly capable language and multimodal models. Phi-4-Mini is a 3.8-billion-parameter language model trained on high-quality web and synthetic data, significantly outperforming recent open-source models of similar size and matching the performance of models twice its size on math and coding tasks requiring complex reasoning. This achievement is driven by a carefully curated synthetic data recipe emphasizing high-quality math and coding datasets. Compared to its predecessor, Phi-3.5-Mini, Phi-4-Mini features an expanded vocabulary size of 200K tokens to better support multilingual applications, as well as group query attention for more efficient long-sequence generation. Phi-4-Multimodal is a multimodal model that integrates text, vision, and speech/audio input modalities into a single model. Its novel modality extension approach leverages LoRA adapters and modality-specific routers to allow multiple inference modes combining various modalities without interference. For example, it now ranks first in the OpenASR leaderboard to date, although the LoRA component of the speech/audio modality has just 460 million parameters. Phi-4-Multimodal supports scenarios involving (vision + language), (vision + speech), and (speech/audio) inputs, outperforming larger vision-language and speech-language models on a wide range of tasks. Additionally, we experiment to further train Phi-4-Mini to enhance its reasoning capabilities. Despite its compact 3.8-billion-parameter size, this experimental version achieves reasoning performance on par with or surpassing significantly larger models, including DeepSeek-R1-Distill-Qwen-7B and DeepSeek-R1-Distill-Llama-8B.