Phi-3技術レポート：スマートフォン上で動作する高性能言語モデル

Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone

April 22, 2024

著者: Marah Abdin, Sam Ade Jacobs, Ammar Ahmad Awan, Jyoti Aneja, Ahmed Awadallah, Hany Awadalla, Nguyen Bach, Amit Bahree, Arash Bakhtiari, Harkirat Behl, Alon Benhaim, Misha Bilenko, Johan Bjorck, Sébastien Bubeck, Martin Cai, Caio César Teodoro Mendes, Weizhu Chen, Vishrav Chaudhary, Parul Chopra, Allie Del Giorno, Gustavo de Rosa, Matthew Dixon, Ronen Eldan, Dan Iter, Abhishek Goswami, Suriya Gunasekar, Emman Haider, Junheng Hao, Russell J. Hewett, Jamie Huynh, Mojan Javaheripi, Xin Jin, Piero Kauffmann, Nikos Karampatziakis, Dongwoo Kim, Mahoud Khademi, Lev Kurilenko, James R. Lee, Yin Tat Lee, Yuanzhi Li, Chen Liang, Weishung Liu, Eric Lin, Zeqi Lin, Piyush Madan, Arindam Mitra, Hardik Modi, Anh Nguyen, Brandon Norick, Barun Patra, Daniel Perez-Becker, Thomas Portet, Reid Pryzant, Heyang Qin, Marko Radmilac, Corby Rosset, Sambudha Roy, Olli Saarikivi, Amin Saied, Adil Salim, Michael Santacroce, Shital Shah, Ning Shang, Hiteshi Sharma, Xia Song, Olatunji Ruwase, Xin Wang, Rachel Ward, Guanhua Wang, Philipp Witte, Michael Wyatt, Can Xu, Jiahang Xu, Sonali Yadav, Fan Yang, Ziyi Yang, Donghan Yu, Chengruidong Zhang, Cyril Zhang, Jianwen Zhang, Li Lyna Zhang, Yi Zhang, Yunan Zhang, Xiren Zhou

cs.AI

要旨

38億パラメータの言語モデルであるphi-3-miniを紹介します。このモデルは3.3兆トークンでトレーニングされており、学術ベンチマークと内部テストの両方で測定された全体的な性能は、Mixtral 8x7BやGPT-3.5などのモデルに匹敵します（例えば、phi-3-miniはMMLUで69%、MT-benchで8.38を達成）。にもかかわらず、携帯電話にデプロイできるほど小型です。この革新は完全にトレーニング用データセットにあり、phi-2で使用されたものをスケールアップしたもので、厳選されたウェブデータと合成データで構成されています。また、モデルは堅牢性、安全性、チャット形式にさらに適合されています。さらに、4.8兆トークンでトレーニングされた7Bと14Bのモデルであるphi-3-smallとphi-3-mediumの初期パラメータスケーリング結果も提供します。これらはphi-3-miniよりも大幅に高性能です（例えば、それぞれMMLUで75%と78%、MT-benchで8.7と8.9を達成）。

English

We introduce phi-3-mini, a 3.8 billion parameter language model trained on 3.3 trillion tokens, whose overall performance, as measured by both academic benchmarks and internal testing, rivals that of models such as Mixtral 8x7B and GPT-3.5 (e.g., phi-3-mini achieves 69% on MMLU and 8.38 on MT-bench), despite being small enough to be deployed on a phone. The innovation lies entirely in our dataset for training, a scaled-up version of the one used for phi-2, composed of heavily filtered web data and synthetic data. The model is also further aligned for robustness, safety, and chat format. We also provide some initial parameter-scaling results with a 7B and 14B models trained for 4.8T tokens, called phi-3-small and phi-3-medium, both significantly more capable than phi-3-mini (e.g., respectively 75% and 78% on MMLU, and 8.7 and 8.9 on MT-bench).