微软本周早些时候在HuggingFace、Ollama和AzureAI目录上推出了Phi-3。虽然它与WindowsCopilot的一般知识技能不太相符，但开源AI技术代表了雷蒙德的第四代小语言模型，在速度、效率和性能方面可与主流法学硕士相媲美。

Phi-3拥有38亿个参数，比其前身稍大一些，但仍然足够小，可以在低至1.8GB的​​移动存储上运行。相比之下，典型的复杂LLM(例如Llama或GPT-3.5)利用数千亿个参数来理解输入，并且本地存储是不切实际的。今年夏天推出的GPT-5预计参数规模将达数万亿个。根据传统的缩放法则，更多的参数意味着更智能的结果。但根据微软的说法，情况可能不一定如此。

微软在其技术报告中提出了一些大胆的主张;其中最主要的是绩效基准，该公司自己承认，这些基准纯粹是学术性的。在19项基准测试中的12项中，尽管运行的参数是Llama-3-instruct的两倍多，但Phi-3-mini的表现似乎优于Llama-3-instruct。使用7BPhi-3-small和14BPhi-3-medium，结果更加惊人。

工程师们将这些效率提升归功于他们精心策划的训练数据集，该数据集来自两个来源：“教科书质量”的网络内容和人工智能生成的数据，旨在通过精心挑选的3000个单词列表来教授语言、一般知识和常识推理。作为构建块。微软的研究人员声称，这种数据配方使去年的Phi-2能够与Meta的更大(70B)Llama-2模型的性能相匹配。

AzureAI企业副总裁埃里克·博伊德(EricBoyd)通过TheVerge吹嘘说，Phi-3的功能与GPT-3.5一样，尽管“外形更小”。然而，由于其规模有限，Phi-3仍然受到事实知识缺乏的困扰。也许这是人工智能本地运行而不是通过云计算运行的必要权衡?

考虑到灵活性和成本效率是企业的关键问题，企业已经开始利用SLM的功能也就不足为奇了。然而，Phi-3的竞争非常激烈。Meta的Llama-3、Anthropic的Claude-3套件、GoogleGemini和Gemma都有能够支持移动边缘计算的轻量级版本。尽管Phi-3似乎具有良好的竞争优势，但GeminiNano已经应用于GooglePixel8Pro和三星GalaxyS24系列等设备(亚马逊售价784美元)。

Phi-3系列AI模型绝不是Microsoft一直致力于开发的唯一SLM。上个月，该公司采用Mistral创建了Orca-Math，这是一种专门的模型，在小学数学中，该模型比Llama、GPT-3.5和GeminiPro准确得多。AutoDev是一个更新的项目，它利用AutoGen和Auto-GPT根据用户定义的目标自主规划和执行编程任务。人工智能战争还远未结束，但至少在较小规模上，我们有一个领先的竞争者。