微软在4月23日发布了Phi-3，Phi-3用 3.8B 的小版本做到了 Mixtral-8x7B 一样的效果，换算到dense大约等于一个14B的水平。量化后大小约1.8G， 在 iPhone15 上一秒可以出 20 个 token。小版本训练用了3.3T token 训练，更大的模型用了4.5T token 。
在社交媒体上也得到了广泛的讨论。
在reddit上有个有趣的帖子，Phi-3 仅用 4B大小在 香蕉逻辑问题中击败了GPT 3.5 Turbo。
翻一下,类似弱智吧的问题: 一个香蕉上放了一个盘子，然后把盘子挪到另一个屋，香蕉会怎么样？
GPT3.5：香蕉完好无损，但是会挪动位置。
Phi-3：屁事没有，除非香蕉粘在了盘子上，否则还在原来的位置。
能看出GPT3.5被绕进去了，Phi-3在这个环节胜出。
能看出来，Phi-3确实用更小的参数实现了不错的效果。
Phi-3是微软Phi系列的第4个版本：
我们先回顾下4代的Phi发展路线。
23年6月的Phi-1[1]，Phi1 模型参数规模 1.3B，仅需用8个 A100 训练 4 天即可完成。这个模型只能写代码，训练数据由 6B token的来自网络，经过严格清洗，另外有1B预训练+180M的指令微调数据，都由GPT-3.5 生成的合成数据组成。
洗数据的思路和我们之前提过的方法类似，用监督学习的质量打分模型筛选的方式，只不过这个模型用的是GPT4做的数据标注。具体是：从The Stack和StackOverflow中筛选的6B token训练数据，利用GPT-3.5生成的1B token合成数据（用于预训练），利用GPT-3.5生成的180M token合成数据（用于SFT）。
Phi-1模型在180M数据上SFT后，代码指标大幅提升。Phi-1-small模型Pass@1达到45%（SFT前为20%），Phi-1模型Pass@1达到51%（SFT前为29%）。
23年9月的Phi-1.5[2]，Phi-1.5的训练数据包括两部分：来自Phi-1的7B训练数据，和新收集的20B合成数据。新收集的20B合成数据的主题从Phi-1的仅代码数据，扩展到了通用的世界知识和常识推理。作者构造了2万个主题作为种子，使用gpt生成数据。
Phi1.5还做了这样的实验，即只用网络数据训练，网络数据从Falcon 的数据集上过滤得到，简称过滤数据。还有原始的7B训练，20B生成的实验。
结论：过滤数据+合成+原始训练数据>合成+原始训练数据>过滤数据
证明了合成数据和代码数据对效果有提升作用。
Phi-1.5数据实验
23年12月的Phi-2[3]，Phi-2有用的信息就更少了，只给出了一个技术博客。报告指出了Phi-2继续扩充了web过滤类的数据量，但最终的训练数据集大小没说。Phi-2将模型大小从1.3B提升到2.7B，并类似Phi-1.5-web在扩充后的混合数据集上一共训练了共1.4T token。
24年4月的 Phi-3[4]，在Phi-3这一代，微软继续探索了和llama3一样的合成数据实验（在Phi-1时候已经使用），有所区别的是，llama3用了15T的token，Phi-3最多测试了4.5T的token。
能看出来微软是特别卷的，在这个事儿上的迭代速度保持了平均3个月一个版本。
总结Phi-3的关键信息：
1.Phi-3-mini是一个3.8亿参数的语言模型，尽管规模较小，但其性能与一些大型模型如Mixtral 8x7B和GPT-3.5相当。
2.Phi-3-mini的量化后部署在手机上，量化后1.8G 在 iPhone16 上每秒可以出 20 个 token。
3.Phi-3-mini的训练数据集是Phi-2所用数据集的扩展版，包含了大量过滤的网络数据和合成数据。基础版本3.3T token 训练，更大的模型用了4.5T，要比llama3。
4.长上下文支持：通过LongRope技术，Phi-3-mini还引入了长上下文版本，将上下文长度从默认的4K扩展到128K。
5.使用了pipeline的数据训练方式，第一阶段用高质量网络数据，第二阶段用更强力过滤后的一阶段子集加 GPT 合成数据。第一阶段学语言能力和常识，第二阶段主要学逻辑推理能力。
Phi-3 效果图
横向比较一下Phi从1到3代的关键信息，如下表所示：
模型参数量训练成本 (A100*小时)模型训练token数MMLU分数Phi-11.3B76850B-Phi-1.5-web1.3B3000300B37.9Phi-22.7B32,2561.4T56.3Phi-314B-4.5T68.8
从表格可以看出，除了微软一直强调的数据质量，数据量的增长和模型尺寸的扩大也是相当关键的。
数据，一直是目前大模型的核心秘密，各种号称开源的大模型，数据都几乎不开源。除了几个特定的瞄准“全开源”的模型，但是他们因为效果的原因没有得到特别高的关注度。
数据的来源，配比，多样性，质量方面的实践方法，成为各家大模型最深的“护城河”
另外作者也强调了一些局限性：
虽然 phi-3-mini 模型达到了与大型模型相似的语言理解和推理能力水平，但模型根本没有能力存储太多「事实知识」，这可以从 TriviaQA 上的低评分中看出，这个可能是参数大小的原因，对于知识类储备的拟合不是特别充分。但作者表示，这个可以用RAG来弥补，所以Phi-3有可能是最适合做RAG的高效率的小模型。
参考资料
[1] Textbooks Are All You Need : http://arxiv.org/abs/2306.11644
[2] Textbooks Are All You Need II: Phi-1.5 technical report: http://arxiv.org/abs/2309.05463
[3] Phi-2: https://huggingface.co/microsoft/Phi-2
[4] Phi-3 Technical Report: A Highly Capable Language Model Locally on Your Phone: http://arxiv.org/abs/2404.14219