AI圈子最有意思的事，已經(jīng)不是“誰家模型參數(shù)最多”，而是——誰家小模型，能把大模型打趴下。

最近，微軟研究院開源了一款“小而強”的研究：Phi-4-reasoning-plus。這是一款專為深度結(jié)構(gòu)化推理任務(wù)設(shè)計的開源語言模型。

14B參數(shù)，不到DeepSeek 70B的五分之一，但數(shù)學、科學、代碼、邏輯推理的表現(xiàn)，都比較能打。

在AIME 2025數(shù)學考試上，14B的小模型，第一次嘗試的全題正確率，居然干過了70B的精煉大塊頭，甚至快摸到DeepSeek 671B的腳后跟。

圖片

微軟團隊用一串“推理鏈”打破了常規(guī)，讓AI學會慢下來、啰嗦一點、反復(fù)琢磨、允許自己犯錯，主要體現(xiàn)在：

推理鏈（Chain-of-Thought）成為核心訓練目標。不是像傳統(tǒng)大模型那樣直接給出答案，而是專門訓練模型寫“推理過程”；在訓練數(shù)據(jù)和輸出里，強制要求模型用<think>...</think>標簽，把自己的思考、分步推理、反復(fù)驗證詳細寫出來。這種推理鏈往往很“啰嗦”：不是一句話解決問題，而是像人類一樣，細致分解、逐步排查。

鼓勵“慢思考”，獎勵啰嗦的推理過程。在RL（強化學習）階段，獎勵機制被專門設(shè)計成：答錯時鼓勵更長推理鏈，答對時鼓勵簡潔；只要模型沒答對，就鼓勵它“多想兩步”，推理過程可以更長、更詳細，甚至反復(fù)自我否定和修正。

結(jié)果？不僅答案對，思路也清晰。

圖片

技術(shù)報告里有個細節(jié)特別有意思：Phi-4-reasoning的推理鏈，不是越長越好，也不是越短越強，而是“剛剛好”地模擬了人類的“思考長度”。

RL階段的獎勵模式具體是：“答對了要簡潔，答錯了反而鼓勵多思考”，而有些任務(wù)，答題過程還會“自我否定”，甚至推翻重來。當然，不是所有領(lǐng)域都大幅提升，比如生物、化學、離散數(shù)學，AI也會“卡殼”。

Phi-4-reasoning-plus在SFT（有監(jiān)督微調(diào)）之后，還加了一層基于規(guī)則的強化學習，獎勵設(shè)計也很精妙：

• 答對了鼓勵簡潔（獎勵簡短推理）
• 答錯了反而鼓勵啰嗦（獎勵多想一步）
• 輸出格式不對、思路紊亂要扣分
• 重復(fù)語句有懲罰，鼓勵多樣性和探索

這和傳統(tǒng)RLHF（基于人類反饋強化學習）不同，Phi-4團隊用的是可自動驗證的數(shù)學題，獎勵函數(shù)直接和推理鏈長度、答案正確性掛鉤，模型被訓練成“有錯就多想、多寫，多步反省”。

圖注：Phi-4推理模型在跨領(lǐng)域基準測試中的表現(xiàn)

報告里的評測結(jié)果，Phi-4-reasoning和plus不僅在AIME、OmniMath、GPQA等數(shù)學/科學基準上干翻了體量更大的Distill-Llama-70B、DeepSeek-R1，甚至在算法（TSP/3SAT）、規(guī)劃（BA-Calendar）、代碼（LiveCodeBench）等新領(lǐng)域也展現(xiàn)了極強的“遷移力”,而這些領(lǐng)域，模型訓練時根本沒專門覆蓋。

這就是推理鏈帶來的元能力：模型不僅會解題，更會“怎么推理”，新題型也能舉一反三，遇到?jīng)]見過的難題也能慢慢推、反復(fù)試。對比傳統(tǒng)大模型“一步到位”的完美答案，這種“磨嘰”的AI反而更靠譜、更有韌性。

甚至在一些“非推理”任務(wù)，如長文本問答、指令遵循、毒性檢測等通用能力測試中，Phi-4-reasoning-plus也有顯著提升。歸根結(jié)底，讓AI學會慢思考、會自我檢視，比單純提升算力和知識面更可持續(xù)。

地址：https://huggingface.co/microsoft/Phi-4-reasoning