Phi-4 reasoning: en liten modell kan ändå resonera dyrt

Den tekniska rapporten om Phi-4-reasoning, inlämnad den 30 april 2025, beskrev en modell med 14 miljarder parametrar som byggts vidare från Phi-4 genom övervakad finjustering på utvalda frågor och resonemangsexempel genererade med o3-mini. En reasoning-plus-variant fick också en extra fas av resultatbaserad förstärkningsinlärning. Microsoft rapporterade starka resultat i utvalda resonemangstester. Det är modellutvecklarens resultat, inte en allmän certifiering av tillförlitlighet för företag. Den centrala tekniska idén var att noggrant valda träningsexempel och mer beräkning när svaret skapas kunde göra en förhållandevis kompakt modell användbar för svåra uppgifter. 1

Phi-4, Phi-4-reasoning och Phi-4-reasoning-plus ska inte behandlas som utbytbara namn. Ett mätresultat för en viss modellversion visar inte att en annan beter sig likadant. Registrera exakt modellartefakt, driftkonfiguration och genereringsinställningar i varje försök. Rapporten beskriver plusvarianten som en modell som producerar längre resonemang för att förbättra resultaten. Skillnaden spelar roll när svarstid och total tokenförbrukning jämförs. Upphandlingsunderlag bör ange den testade versionen i stället för att lova att en otydligt specificerad Phi-installation ska återskapa ett forskningsresultat med andra frågor, annan hårdvara eller andra gränser för svarslängd i den dagliga verksamheten.

En mindre uppsättning modellvikter kan minska minnesbehovet utan att varje svar blir snabbt eller billigt. Resonerande modeller lägger avsiktligt beräkningar under inferensen och kan generera omfattande mellanliggande text. Mät kostnad per slutförd uppgift tillsammans med svarslängd, väntetid och felfrekvens. Enkel extraktion behöver kanske inte utökade resonemang, medan ett avgränsat planeringsproblem kan vinna på dem. Testa fördelning mellan lägen i stället för att slå på det mest omfattande läget för alla anrop. Därför kan en jämförelse med en större vanlig modell enbart utifrån parameterantal vilseleda: den missar en annan fördelning av beräkningar under själva anropet.

Ett starkt resultat i matematiska eller vetenskapliga test visar inte kompetens i svenskt myndighetsspråk, lokala förkortningar eller ofullständiga affärshandlingar. Bygg tvåspråkiga par av uppgifter och låt sakkunniga bedöma slutsvaret utan att se modellnamnet. Ta med motsägelsefulla förutsättningar, saknade uppgifter och fall där en följdfråga är bättre än ett självsäkert resultat. Rätt utdata kan vara en begäran om ett saknat villkor, inte en lång förklaring. Koppla utvärderingen till företagets kunskap. Att hitta rätt policy är en annan förmåga än att resonera korrekt om den när den väl har hämtats, särskilt när flera versioner finns i materialet.

Text som liknar stegvis tänkande är fortfarande genererad utdata. Den kan innehålla obelagda antaganden, missvisande efterhandsförklaringar eller känsliga detaljer som kopierats från indata. Betrakta inte omfång som bevis för att slutsatsen är rätt. I granskningsbara arbetsflöden behöver källhänvisningar, verktygsåtgärder, versionsinformation och mänskliga godkännanden sparas separat. Begränsa vad modellen får utföra oavsett hur övertygande förklaringen låter. Relevanta fördjupningar är agenters behörigheter och AI-säkerhet, eftersom en modell som kan planera fortfarande behöver avgränsade befogenheter, skyddade hemligheter och en prövad stoppfunktion innan den får agera i verksamhetens system och påverka andra användares uppgifter.

Ett lämpligt pilotprojekt anger uppgift, acceptabel felprofil, maximal väntetid och ansvarig för reservhantering. Jämför vanlig generering med resonemang under samma godkännandekriterier för slutsvaret. Undersök felen innan omfattningen breddas, särskilt när modellen skapar körbara planer eller hanterar reglerat material. Forskningen motiverar att undersöka kompakta resonemangsmodeller, men inte att ersätta varje större tjänst. Artikeln publiceras den 25 oktober 2026 och återbesöker enbart rapporten från april 2025. Den verifierar inte aktuella driftalternativ, ändrade licenser, språkstöd, priser eller någon fortsatt placering på en topplista. Sådana uppgifter behöver kontrolleras separat mot den version som ska användas i projektet.