AI

エーアイ

公開：2025-05-05

MicrosoftがPhi-4ベースの小規模推論AIモデルを発表、大規模モデル並みの性能を実現しエッジデバイスでの活用に期待

text: XEXEQ編集部
（記事は執筆時の情報に基づいており、現在では異なる場合があります）

記事の要約

• Microsoftが小規模推論AIモデル3種を発表
• 大規模モデル並みの推論性能を実現
• リソース制約のあるデバイスでも利用可能

MicrosoftのPhi-4推論AIモデル発表の詳細

Microsoftは4月30日、小規模な推論AIモデル「Phi-4-reasoning」「Phi-4-reasoning-plus」「Phi-4-mini-reasoning」の3種類を発表した。これらのモデルは蒸留や強化学習、高品質なデータなどを活用することで、モデルサイズを抑えながら大規模モデルに匹敵する推論性能を実現している。^[1]

Phi-4-reasoningは140億パラメータのオープンウェイト推論モデルであり、OpenAI o3-miniによる生成データを用いた教師ありファインチューニングによって推論性能を高めている。さらにPhi-4-reasoning-plusは、Phi-4-reasoningをベースに強化学習を適用することで回答の精度を向上させることに成功した。

38億パラメータのPhi-4-mini-reasoningはDeepSeek-R1による生成データを用いてファインチューニングされており、計算リソースが限られ低遅延性が求められるエッジやモバイルデバイスでの利用に適している。数学ベンチマークにおいてパラメータ数が2倍のDeepSeek-R1-Distill-Llama-8Bを上回る性能を示した。

Phi-4推論AIモデルの性能比較

推論AIモデルについて

推論AIモデルは、与えられた情報から論理的な結論を導き出すための人工知能システムであり、以下のような特徴を持っている。

• 複数の情報源から関連性を見出し結論を導出
• 論理的な思考過程をシミュレート
• 数学的問題解決や科学的推論に活用

推論AIモデルは従来の言語モデルと比較して、より論理的な思考プロセスを重視した設計となっているため、複雑な推論タスクを効率的に実行することが可能となっている。数学や科学の問題解決において特に高い性能を発揮することが期待されている。

Phi-4推論AIモデルに関する考察

Microsoftが開発したPhi-4推論AIモデルは、モデルサイズの最適化と高い推論性能の両立を実現している点が高く評価できる。特にPhi-4-mini-reasoningは38億パラメータという小規模なモデルでありながら、パラメータ数が2倍のモデルを上回る性能を示しており、効率的なモデル設計の成功例となるだろう。

今後の課題として、エッジデバイスでの実装における最適化や、異なるハードウェアプラットフォームへの対応が挙げられる。これらの課題に対しては、モデルの量子化やプルーニングなどの軽量化技術の適用、さらにはハードウェアに特化したモデルの最適化が有効な解決策となり得るだろう。

将来的には、より小規模なモデルでさらなる性能向上を実現することが期待される。特に教師なし学習や自己教師あり学習の技術を活用することで、データ効率の向上とモデルの汎化性能の改善が見込まれる。

参考サイト

1. ^ Microsoft. 「Introducing Phi-3: Redefining what’s possible with SLMs」. https://azure.microsoft.com/en-us/blog/introducing-phi-3-redefining-whats-possible-with-slms/, (参照 25-05-05).
19095
2. Microsoft. https://www.microsoft.com/ja-jp

※上記コンテンツはAIで確認しておりますが、間違い等ある場合はコメントよりご連絡いただけますと幸いです。

「AI」に関するコラム一覧「AI」に関するニュース一覧