微软开源 Phi-4 推理模型：唠叨AI，反卷爆红
AI圈最有趣的事情，不再是“哪个模型参数最多”，而是——哪个小模型可以把大模型打趴下？。
最近，微软研究所开源了一项“小而强”的研究：Phi-4-reasoning-plus。这个开源语言模型是专门为深层结构化推理任务而设计的。
不到DeepSeekk的14B参数 70B的五分之一，但是数学、科学、代码、逻辑判断的表现，都比较好。
在AIME 在2025年数学考试中，14B的小模型，第一次尝试的全题准确率，竟然做了70B的精致大块头，甚至很快就能摸到DeepSeek。 671B的脚跟。
微软团队用一串“推理链”打破了常规，让AI学会放慢速度，唠叨，反复琢磨。 磨损，允许自己犯错误，主要表现为：
推理链（Chain-of-Thought）成为核心训练目标 。并非像传统的大模型那样直接给出答案，而是专门训练模型写“推理过程”；硬性要求模型在训练数据和输出中使用。
鼓励“慢思考”，奖励唠叨推理过程。 在RL(加强学习)阶段，奖励制度是专门设计的:答错时激励推理链时间更长，答对时激励简洁；只要模型没有正确回答，就鼓励它“多思考两步”。推理过程可以更长更详细，甚至可以反复否定和调整自己。
结果？不但答案正确，思路也清晰。
在技术报告中有一个特别有趣的细节：Phi-4-reasoning的推理链，不是越长越好，也不是越少越强，而是“恰到好处”地模拟人类的“思维长度”。
RL阶段的奖励方式是:“答对了要简洁，答错了要鼓励勤思考”，而有些任务会在解决问题的过程中“否定自己”，甚至重新开始。当然，并不是所有领域都有了很大的提升，比如生物、化学、离散数学，AI也会“卡住”。
Phi-4-reasoning-plus在SFT(有监管微调)之后，还加了一层。 加强基于规则的学习 ，奖赏设计也非常精巧：
- 答对激励简洁(奖励简短推理)
- 回答错误反而激励唠叨(奖励多想一步)
- 导出格式错误，思维障碍应扣分。
- 重复句子受到惩罚，鼓励多样性和探索。
它不同于传统的RLHF(基于人类反馈强化学习)，Phi-4团队使用可自动检验的数学题，奖励函数直接与推理链的长度和答案的准确性挂钩。模型被训练成“多思考，多写，多步反思”。
图注：Phi-4在跨领域基准测试中推理模型的表现。
报告中的评估结果，Phi-4-reasoning和plus不仅在AIMEE、OmniMath、在GPQA等数学/科学标准上，Distillll有更多的规模。-Llama-70B、DeepSeek-R1，甚至在算法（TSP/3SAT）、规划（BA-Calendar）、代码（LiveCodeBench）等待新的领域也表现出极强的“转移力”，而这些领域，模型训练根本没有特别的覆盖。
这就是推理链带来的元能力:模型不仅能回答问题，还能“如何推理”。新问题也可以举一反三，遇到以前没见过的问题也可以慢慢推，反复尝试。与传统大模型“一步到位”的完美答案相比，相反，这种“磨”的AI更可靠，更有韧性。。
甚至在长文本问答、指令遵循、毒性检查等一些“非推理”任务中，Phi-4-reasoning-plus也有了显著的提高。归根结底，让AI学会慢慢思考，自我检查，比单纯提高计算能力和知识面更可持续。
地址：https://huggingface.co/microsoft/Phi-4-reasoning
本文来自微信微信官方账号 “大数据摘要”（ID：BigDataDigest），作者：36氪经授权发布摘要菌。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com