Phi-3.5-mini-instruct

3.5 · mini · Instruct · Rodzina: Phi

Lekki (3,8B) model językowy Microsoftu z rodziny Phi. Gęsty dekoder Transformer, kontekst 128K, 22 języki, mocne rozumowanie mat./kod. Licencja MIT.

✓ Aktywny✓ Publiczny dostęp⚖ Open sourceLLM📁 Phi

Okno kontekstowe

128K

tokenów

Parametry

3.8B

parametrów

Data premiery

20 sierpnia 2024

🏢MicrosoftProducent

Dostęp:DownloadAPIHostedWdrożenie:💻 Lokalnie☁ Cloud📱 Na urządzeniu

Przegląd

Phi-3.5-mini-instruct to lekki model językowy o 3,8 mld parametrów z rodziny Phi (Microsoft), dostrojony instrukcyjnie. Wykorzystuje gęstą architekturę dekodera Transformer (decoder-only) i oferuje okno kontekstowe 128K tokenów, celując w środowiska o ograniczonej pamięci/mocy oraz scenariusze wrażliwe na opóźnienia.

Model wytrenowano na 3,4 bln tokenów — danych syntetycznych i przefiltrowanych publicznych stron — z naciskiem na wysokiej jakości treści rozumowe. Post-training obejmował nadzorowane dostrajanie (SFT), optymalizację PPO oraz bezpośrednią optymalizację preferencji (DPO). Model obsługuje 22 języki (m.in. arabski, chiński, francuski, niemiecki, japoński, koreański, hiszpański).

Phi-3.5-mini osiąga konkurencyjne wyniki: 69% na MMLU i 86,2% na GSM8K (rozumowanie matematyczne), z mocnymi zdolnościami w kodzie (głównie Python), matematyce i logice. Udostępniony na licencji MIT; dostępny przez Hugging Face, Azure AI Foundry oraz dostawców inferencji (vLLM, SGLang).

Klasyfikacja

LLM

Rodzina: Phi

Dostęp i wdrożenie

PobieranieAPIHostowane

LokalnieChmuraNa urządzeniu

Wagi: Open source

Kluczowe parametry

📏 Kontekst: 128K

🧩 Parametry: 3.8B

✓ Narzędzia · ✓ Fine-tuning

📥 Wejście: tekst

Specyfikacja techniczna

Okno kontekstowe

128K

tokenów

Parametry

3.8B

parametrów

Licencja

MIT

Wymagania sprzętowe

Zaprojektowany pod środowiska o ograniczonej pamięci/mocy i scenariusze wrażliwe na opóźnienia. Gęsty dekoder Transformer 3,8B.

Funkcje:✓ Używanie narzędzi✓ Fine-tuning

Modalności

⬇ Wejście (Input)

text

⬆ Wyjście (Output)

textcode

Możliwości i zastosowania

Natywne możliwości modelu

Modelowanie języka

Zdolność przewidywania kolejnych tokenów i generowania spójnego tekstu w języku naturalnym na podstawie poprzedzającego kontekstu.

Kategoria: language

Rozumowanie

Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.

Kategoria: reasoning

Rozumowanie matematyczne

Zdolność modelu do rozwiązywania zadań matematycznych wymagających wieloetapowego rozumowania — równania, dowody, kombinatoryka, geometria, rachunek różniczkowy, zadania konkursowe.

Kategoria: reasoning

Programowanie

Generowanie, analizowanie i modyfikowanie kodu w wielu językach programowania. Obejmuje pisanie funkcji, debugowanie, refaktoryzację, code review, tworzenie testów. Mierzone benchmarkami takimi jak HumanEval, SWE-bench.

Kategoria: coding

Wielojęzyczność

Kompetencje w wielu językach naturalnych (od kilku do stu+): rozumienie, generowanie, tłumaczenie, code-switching w obrębie jednej rozmowy. Modele frontier obsługują szeroki wachlarz języków ze zbliżoną jakością.

Kategoria: language

Długi kontekst

Obsługa dużych okien kontekstowych — dziesiątek do setek tysięcy (lub milionów) tokenów wejścia. Umożliwia analizę całych baz kodu, długich dokumentów, wielu równolegle rozmów bez utraty wcześniejszych informacji. GPT-5.1 wspiera 400 000 tokenów.

Kategoria: language

Przestrzeganie instrukcji

Precyzyjne wypełnianie wskazówek zawartych w prompcie: format odpowiedzi, długość, styl, ograniczenia (np. 'odpowiedz w sześciu słowach'). GPT-5.1 znacząco poprawił tę zdolność względem GPT-5.

Kategoria: language