نماذج Phi 4 الجديدة من مايكروسوفت: أداء منافس للأنظمة الأكبر
قدمت مايكروسوفت مؤخراً مجموعة مبتكرة من نماذج الذكاء الاصطناعي “المفتوحة” التي تُحدث طفرة في مجال الذكاء الاصطناعي. تتألف هذه النماذج من عائلة Phi الصغيرة، وقد تم تصميمها لمعالجة مهام الاستدلال المعقدة، مما يجعلها تنافس الأنظمة الأكبر مثل نموذج o3-mini من OpenAI.
جدول المحتويات
تقديم الجيل القادم من نماذج Phi
تشمل المجموعة الجديدة ثلاثة نماذج متميزة: Phi 4 Mini Reasoning، وPhi 4 Reasoning، وPhi 4 Reasoning Plus. تُمنح هذه النماذج تحت رخصة مرنة وتُطوَّر خصيصاً لأداء عمليات التحقق من الحقائق عند التعامل مع المسائل المعقدة. وبفضل تركيزها على الاستدلال، يمكن حتى للأجهزة ذات القدرات الحسابية المحدودة تنفيذ المهام الصعبة بكفاءة.
اقرأ أيضا: عملاء البحث العميق من Google Gemini 2.5
Phi 4 Mini Reasoning
تم تطوير نموذج Mini Reasoning باستخدام مجموعة بيانات تتضمن حوالي مليون مسألة رياضية تركيبية تم توليدها بواسطة نموذج استدلال سابق من شركة صينية في مجال الذكاء الاصطناعي. ويضم هذا النموذج 3.8 مليار معامل، مما يجعله مثالياً للتطبيقات التعليمية مثل أنظمة التدريس المدمجة على الأجهزة الخفيفة. من المعتاد أن يعني زيادة عدد المعاملات تحسين قدرات حل المشكلات.
للمزيد من المعلومات، يمكنك قراءة المقال التالي:
Pinterest تطلق أدوات جديدة لمكافحة محتوى الذكاء الاصطناعي غير الدقيق
Phi 4 Reasoning
بُني نموذج Phi 4 Reasoning باستخدام 14 مليار معامل وتدرب على بيانات ويب عالية الجودة بالإضافة إلى أمثلة مختارة من نموذج o3-mini الخاص بـ OpenAI. يبرُز هذا النموذج في مجالات الرياضيات والعلوم والبرمجة، مما يجعله اختياراً ممتازاً للمطورين الذين يبحثون عن دعم ذكاء اصطناعي قوي للتطبيقات التقنية.
Phi 4 Reasoning Plus
يُعد نموذج Phi 4 Reasoning Plus تطويراً للطراز السابق من Phi-4، حيث تم تحسينه ليعمل بشكل أكثر كفاءة في عمليات الاستدلال. وتدعي مايكروسوفت أن هذا النموذج يقترب من أداء نموذج R1 الأكبر الذي يحتوي على 671 مليار معامل. وتشير الاختبارات الداخلية إلى أن أداء Phi 4 Reasoning Plus في التقييمات الرياضية يقارن بمستوى نموذج o3-mini.
اقرأ أيضا: تحرير الصور في شات بوت جيميني
الذكاء الاصطناعي الفعال للبيئات منخفضة الكمون
أوضحت مايكروسوفت في منشور على مدونتها
هنا
أن النماذج الجديدة تحقق توازناً بين الحجم والأداء من خلال تقنيات مثل التقطير والتعلم التعزيزي، بالإضافة إلى استخدام بيانات عالية الجودة. تُمكّن هذه الابتكارات النماذج من العمل بفعالية في بيئات منخفضة الكمون مع الحفاظ على قدرات استدلال دقيقة.
الوصول ومزيد من المعلومات
يمكن للمطورين والباحثين الوصول إلى نموذج Phi 4 Mini Reasoning، ونموذج Phi 4 Reasoning، ونموذج Phi 4 Reasoning Plus عبر منصة Hugging Face لتطوير الذكاء الاصطناعي. وتتوفر تقارير تقنية تفصيلية مع كل نموذج، تقدم نظرة معمقة حول إمكانياتهم.
تمثل هذه النماذج تقدماً هاماً في مجال الذكاء الاصطناعي، مقدمة حلولاً ذكية واضعة في متناول التطبيقات والأجهزة التي تفتقر للمواصفات العالية.
للمزيد من الأخبار المتعلقة بالذكاء الاصطناعي، يمكنك زيارة الرابط التالي:
Meta تتوقع تحقيق إيرادات بقيمة 1.4 تريليون دولار من الذكاء الاصطناعي التوليدي بحلول عام 2035