Технический отчет Phi-4

Phi-4 Technical Report

December 12, 2024

Авторы: Marah Abdin, Jyoti Aneja, Harkirat Behl, Sébastien Bubeck, Ronen Eldan, Suriya Gunasekar, Michael Harrison, Russell J. Hewett, Mojan Javaheripi, Piero Kauffmann, James R. Lee, Yin Tat Lee, Yuanzhi Li, Weishung Liu, Caio C. T. Mendes, Anh Nguyen, Eric Price, Gustavo de Rosa, Olli Saarikivi, Adil Salim, Shital Shah, Xin Wang, Rachel Ward, Yue Wu, Dingli Yu, Cyril Zhang, Yi Zhang

cs.AI

Аннотация

Мы представляем phi-4, языковую модель с 14 миллиардами параметров, разработанную с упором на качество данных в центре обучающего процесса. В отличие от большинства языковых моделей, где предварительное обучение в основном основано на органических источниках данных, таких как веб-контент или код, phi-4 стратегически включает синтетические данные на протяжении всего процесса обучения. В то время как предыдущие модели семейства Phi в значительной степени концентрировались на усвоении возможностей учительской модели (конкретно GPT-4), phi-4 значительно превосходит свою учительскую модель в области вопросов и ответов, связанных с STEM, что свидетельствует о том, что наши методы генерации данных и пост-обучения выходят за рамки усвоения. Несмотря на минимальные изменения в архитектуре phi-3, phi-4 достигает высокой производительности относительно своего размера, особенно на бенчмарках, ориентированных на рассуждения, благодаря улучшенным данным, обучающему плану и инновациям в схеме пост-обучения.

English

We present phi-4, a 14-billion parameter language model developed with a training recipe that is centrally focused on data quality. Unlike most language models, where pre-training is based primarily on organic data sources such as web content or code, phi-4 strategically incorporates synthetic data throughout the training process. While previous models in the Phi family largely distill the capabilities of a teacher model (specifically GPT-4), phi-4 substantially surpasses its teacher model on STEM-focused QA capabilities, giving evidence that our data-generation and post-training techniques go beyond distillation. Despite minimal changes to the phi-3 architecture, phi-4 achieves strong performance relative to its size -- especially on reasoning-focused benchmarks -- due to improved data, training curriculum, and innovations in the post-training scheme.