确保 "phi4-reasoning" 在上下文中正确理解和发音，可能需要添加简短解释或超链接以增强清晰度。由于这主要是关于翻译的文本格式，实际输出中将保留翻译内容，解释部分不计入最终翻译结果。因此，最终翻译为：

照片由 Ed Hardie 在 Unsplash 拍摄

又是一周，又一个推理大模型落伍了——但这一个来自微软，而且特别强。 在本周已经有Qwen3和DeepSeek-Prover-V2之后，微软加入了竞争，不仅一个，而是三个新的开源模型，专为处理复杂推理设计，表现得非常出色。

不管你是做高中代数，解决3SAT难题，还是构建不出错的代理，Phi-4 推理系统都可能成为你的新宠。

团队发布了三个模型，分别是Phi-4-reasoning、Phi-4-reasoning-plus和Phi-4-mini-reasoning。

基准标准

一些推理的例子

这一个是一台全能的选手，可以把它想象成强化版的基本款Phi-4。

• 训练：140万条高质量的STEM提示词，带有详细的推理轨迹（感谢o3-mini）。

酷技巧 ：

• 使用自定义的 <think> 标签来组织逻辑块。
• 将上下文窗口从 16K 扩展到 32K 个 tokens。

表现：

• 胜过像DeepSeek-R1-Distill (70B!)这样的模型。
• 在数学、编程和规划等任务上表现出色。

TL;DR: 如果你想要通用推理，性能出色，零配置的简单，就从这里开始吧

现在我们开始用强化学习来做这件事了。

• 最新优化：利用6000道精心挑选的数学题，实现了组相对策略优化（GRPO）的优化。
• 奖励机制：鼓励准确，避免啰嗦。可以理解为：‘表现聪明，不要啰嗦。’

提升：

• AIME和OmniMath的准确性提升了10-15%。
• 更长的推理过程=更深入的洞察，但会增加推理时间。

_> TL;DR: 如果你的人生离不开数学问题或竞赛成绩，这个就是你的最有价值的人。

小巧、坚韧且出人意料地强大——就像电影中的蚁人，但逻辑上的。

• 尺寸：仅有38亿参数，却支持上下文长度可达128K token。
• 训练于：基于更强大教师模型生成的合成数学数据。
• 专长：逐步逻辑处理，非常适合用于移动设备或边缘计算环境。

⚠ 注意点：

不是通用型的——在数学/逻辑之外的其他领域可能表现不佳。
规模较小，可能导致编造事实（建议使用RAG方法）。

TL;DR： 适合轻量级数学任务，但不适合做聊天机器人的引擎。

这些模型是完全开源的，参数可以在 Hugging Face, 上找到。不妨看看下面的链接，里面有详细介绍。

我们正在努力通过开源和开放科学来推进和普及人工智能。

以下代码可以用来本地加载模型

    pip install flash_attn==2.7.4.post1 torch==2.5.1 transformers==4.51.3 accelerate==1.3.0

    import torch  
    from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline  
    torch.random.manual_seed(0)  

    model_id = "microsoft/Phi-4-mini-reasoning"  
    model = AutoModelForCausalLM.from_pretrained(  
        model_id,  
        device_map="cuda",  
        torch_dtype="auto",  
        trust_remote_code=True,  
    )  
    tokenizer = AutoTokenizer.from_pretrained(model_id)  

    messages = [{  
        "role": "user",  
        "content": "怎么解这个方程式：3*x^2+4*x+5=1?"  
    }]     
    inputs = tokenizer.apply_chat_template(  
        messages,  
        add_generation_prompt=True,  
        return_dict=True,  
        return_tensors="pt",  
    )  

    outputs = model.generate(  
        **inputs.to(model.device),  
        max_new_tokens=32768,  
        temperature=0.8,  
        top_p=0.95,  
        do_sample=True,  
    )  
    outputs = tokenizer.batch_decode(outputs[:, inputs["input_ids"].shape[-1]:])  

    print(outputs[0])

什么时候用哪种模型？

• 需要长上下文支持的文档吗？ Mini 可以处理多达 128K 个 token。
• 需要最高准确度的数学计算吗？ 试试 Plus 吧。
• 只是想试一试？ 从基础模型开始试吧。

微软不仅仅是在追赶——他们正以闪电般的速度冲刺进入推理竞赛，模型精炼、智能且开放，令人耳目一新地开放。

无论是构建自主代理、辅导系统，还是探索逻辑密集型大语言模型，Phi-4 推理 模型绝对值得一测。记住：试用再信任——尤其是在关键情境中。

希望你能试试新推出的推理模型哦！
[MCP]：模型上下文协议
[LLM]：大型语言模型
[RAG]：检索增强生成（Retrieval-Augmented Generation）
[SSE]：服务器发送事件