Phi
Por que isso importa
Em profundidade
Phi é a família interna da Microsoft de pequenos modelos de linguagem, e existe para testar uma hipótese específica: um modelo treinado com dados excepcionalmente limpos e orientados ao ensino consegue raciocinar tão bem quanto um modelo muito maior treinado em texto bruto da web. A série começou em 2023 com o Phi-1, um modelo de código de 1,3 bilhão de parâmetros, e cresceu por Phi-2, Phi-3 e Phi-4 até uma linha que vai de cerca de 1 a 14 bilhões de parâmetros, incluindo variantes multimodais e de mistura de especialistas. Todos os lançamentos recentes saem com pesos abertos sob a licença MIT, então podem ser baixados, ajustados e implantados comercialmente sem taxas. Dentro da indústria, Phi se tornou o ponto de referência da categoria SLM — prova de que 'pequeno' é uma escolha de design, não um teto de capacidade. É também um argumento permanente de que os próximos ganhos em IA podem vir de uma melhor curadoria de dados, e não de simplesmente escalar.
Livros-Texto São Tudo o Que Você Precisa
O artigo fundador da série tirou seu título de sua tese: livros-texto são tudo o que você precisa. Em vez de treinar na internet sem filtro, a equipe do Phi monta dois tipos de dados: páginas web filtradas algoritmicamente por 'qualidade de livro-texto' — escrita densa, correta e explicativa — e material totalmente sintético escrito por um modelo professor grande, como exercícios, explicações e exemplos resolvidos em estilo de livro-texto. A aposta compensou de imediato: o Phi-1, com 1,3 bilhão de parâmetros treinados em apenas cerca de 7 bilhões de tokens, pontuou de forma competitiva com modelos muitas vezes maiores no benchmark de código HumanEval. Cada geração posterior manteve a receita e escalou a quantidade — cerca de 1,4 trilhão de tokens para o Phi-2, 3,3 trilhões para o Phi-3-mini e pouco menos de 10 trilhões para o Phi-4 — com a parcela sintética crescendo a cada vez.
Essa abordagem fica ao lado da destilação, mas não é exatamente a mesma coisa: em vez de copiar as saídas do professor token a token, o professor cria novo material didático, que é então filtrado, descontaminado contra os conjuntos de teste dos benchmarks e misturado com texto humano curado. Essa curadoria importa, porque treinar um modelo com saída de modelo sem edição é um caminho conhecido para o colapso de modelo, em que a qualidade degrada à medida que erros se acumulam entre gerações. A resposta do Phi é seleção agressiva — a Microsoft descreve manter apenas uma pequena fração das páginas web candidatas e das amostras geradas. A filosofia inverte a leitura usual das leis de escala: se a qualidade dos dados for alta o suficiente, a fronteira ótima de computação se move, e os modelos pequenos deixam de ser versões famintas dos grandes.
A Família, do Phi-1 ao Phi-4
A linha é mais fácil de navegar por gerações do que por modelos individuais. Phi-1 e Phi-1.5, ambos de 2023, foram provas de conceito de 1,3 bilhão de parâmetros — o primeiro para código, o segundo para raciocínio de senso comum. Phi-2, lançado no fim de 2023 com 2,7 bilhões de parâmetros, foi o primeiro a reivindicar paridade com modelos várias vezes maiores em benchmarks padrão. Phi-3 chegou em 2024 como uma família de verdade: um mini de 3,8 bilhões com variantes de contexto de 4K e 128K, um small de 7 bilhões, um medium de 14 bilhões e um modelo de visão, todos sob a licença MIT. A atualização Phi-3.5 adicionou uma variante de mistura de especialistas com cerca de 6,6 bilhões de parâmetros ativos, melhorando a qualidade por unidade de computação.
O Phi-4, anunciado no fim de 2024 e lançado abertamente no início de 2025, passou para 14 bilhões de parâmetros e apostou mais forte em dados sintéticos, com resultados especialmente bons em matemática de competição. Foi seguido pelo Phi-4-mini com 3,8 bilhões de parâmetros e um conjunto de variantes ajustadas para raciocínio que produzem longas cadeias de pensamento antes de responder — uma aplicação direta de computação em tempo de teste a uma espinha dorsal pequena. Na prática, a nomenclatura diz a troca pretendida: mini para celulares e laptops, a classe de 14 bilhões para servidores de uma GPU, e as variantes de raciocínio quando a precisão em matemática e lógica importa mais que a latência.
Pequeno Não Significa Burro
A leitura preguiçosa é que um modelo de 4 bilhões de parâmetros é um brinquedo. Em tarefas pesadas de raciocínio — matemática escolar e de competição, completamento de código, quebra-cabeças de lógica — os modelos Phi rotineiramente igualam ou superam modelos de uso geral de duas a cinco vezes seu tamanho, porque raciocínio é uma habilidade que dados de ensino limpos e densos transmitem bem. O limite honesto é conhecimento: a recordação factual escala com a contagem de parâmetros, então um modelo pequeno simplesmente armazena menos trivia. Ele alucina mais facilmente com fatos obscuros, datas e citações, e é mais fraco em idiomas de poucos recursos. A consequência prática é que o Phi brilha em cargas de trabalho em que os fatos relevantes são fornecidos em tempo de execução — prompts aumentados por recuperação, uso de ferramentas, processamento de documentos — e é uma escolha ruim como enciclopédia de livro aberto. Equipes que o implantam com sucesso o tratam como um motor rápido de raciocínio, não como uma base de conhecimento.
Rodando o Phi na Prática
Como os pesos são abertos, o Phi aparece em todos os lugares onde modelos pequenos rodam. Quantizado para 4 bits, os modelos mini ocupam apenas alguns gigabytes, então rodam confortavelmente na CPU de um laptop, em um celular ou em uma única GPU de consumo por meio de ferramentas como Ollama e llama.cpp, e a Microsoft distribui builds ONNX voltados a cenários no dispositivo e de edge AI. O ajuste fino é barato: um adaptador LoRA para um modelo mini treina em uma GPU em horas, o que faz do Phi uma base comum para classificadores especializados, extratores e copilotos offline. A matemática de custo é o verdadeiro atrativo — servir um modelo de 4 bilhões de parâmetros é uma ordem de magnitude mais barato do que servir um LLM de fronteira, e para tarefas de alto volume e sensíveis a latência essa diferença decide se um recurso chega a ser lançado. O Phi está consistentemente entre as famílias de modelos mais baixadas no Hugging Face, o que mantém ferramentas, quantizações e ajustes finos da comunidade fáceis de encontrar.