刚刚发布的Phi-3系列小模型技术报告，引起AI圈热议。
其中仅3.8B参数的Phi-3-mini在多项基准测试中超过了Llama 3 8B。
为了方便开源社区使用，还特意设计成了与Llama系列兼容的结构。
微软这次打出“手机就能直接跑的小模型”的旗号，4bit量化后的phi-3-mini在iPhone 14 pro和iPhone 15使用的苹果A16芯片上跑到每秒12 token。
这意味着，现在手机上能本地运行的最佳开源模型，已经做到ChatGPT水平。
在技术报告中还玩了一把花活，让phi-3-mini自己解释为什么构建小到手机能跑的模型很令人惊叹。
除了mini杯之外，小杯中杯也一并发布：
Phi-3-small，7B参数，为支持多语言换用了tiktoken分词器，并额外增加10%多语种数据。
Phi-3-medium，14B参数，在更多数据上训练，多数测试中已超越GPT-3.5和Mixtral 8x7b MoE。
(大杯他们目前不打算做)
作者阵容一看也不简单，一眼扫过去MSRA和MSR雷蒙德团队都投入了不少人。
那么，Phi-3系列到底有什么独特之处呢?
根据技术报告中披露，其核心秘诀就在于数据。
去年团队就发现，单纯堆砌参数量并不是提升模型性能的唯一路径。
反而是精心设计训练数据，尤其是利用大语言模型本身去生成合成数据，配合严格过滤的高质量数据，反而能让中小模型的能力大幅跃升。
也就是训练阶段只接触教科书级别的高质量数据，Textbooks are all you need。
Phi-3也延续了这一思路，这次他们更是下了血本:
投喂了多达3.3万亿token的训练数据(medium中杯是4.8万亿)
大幅强化了数据的”教育水平”过滤
更多样化的合成数据，涵盖逻辑推理、知识问答等多种技能
独特的指令微调和RLHF训练，大幅提升对话和安全性
举个例子，比如某一天足球比赛的结果可能对于大模型是良好的训练数据，但微软团队删除了这些加强知识的数据，留下更多能提高模型推理能力的数据。
这样一来，对比Llama-2系列，就可以用更小的参数获得更高的MMLU测试分数了。
不过小模型毕竟是小模型，也不可避免存在一些弱点。
微软透露，模型本身参数中没能力存储太多事实和知识，这一点也可以从TriviaQA测试分数低看出来。
缓解办法就是联网接入搜索引擎增强。
总之，微软研究院团队是铁了心了要在小模型+数据工程这条路上走下去，未来还打算继续增强小模型的多语言能力、安全性等指标。
对于开源小模型超过ChatGPT这回事，不少网友都认为压力现在给到OpenAI这边，需要赶快推出GPT-3.5的继任者了。
