Phi-4-Mantık Nasıl AI Mantığını “Daha Büyük Daha İyi” Efsanesini Çürütüyor

Microsoft’ (MSFT ) un yakın zamanda Phi-4-mantık adlı çalışmasını yayınlaması, akıl yürütme yeteneklerine sahip yapay zeka sistemleri oluştururken temel bir varsayımı sorgulamaktadır. 2022’de zincir düşünce mantığının tanıtılmasından bu yana, araştırmacılar gelişmiş akıl yürütme için çok büyük dil modellerine ihtiyaç duyulduğunu düşünüyorlardı. Ancak Microsoft’un yeni 14 milyar parametrelik modeli Phi-4-mantık, bu inancı sorgulamaktadır. Yalnızca hesaplama gücüne güvenmek yerine veri odaklı bir yaklaşım kullanarak, model daha büyük sistemlerle karşılaştırılabilir performans elde etmektedir. Bu atılım, veri odaklı bir yaklaşımın geleneksel AI eğitimi için olduğu gibi akıl yürütme modelleri için de etkili olabileceğini göstermektedir.

Geleneksel Mantık Paradigması

Zincir düşünce mantığı, yapay zeka’da karmaşık sorunları çözmek için standart bir yöntem haline gelmiştir. Bu teknik, dil modellerini adım adım akıl yürütme yoluyla yönlendirir ve zor sorunları daha küçük, daha yönetilebilir adımlara ayırır. Doğal dilde cevap vermeden önce modellerin “yüksek sesle düşünmesini” sağlar.

Bununla birlikte, bu yetenek önemli bir sınırlamayla birlikte geldi. Araştırmacılar buldu ki zincir düşünce yönlendirmesi yalnızca çok büyük dil modellerinde iyi çalışıyordu. Akıl yürütme yetisi doğrudan model boyutuna bağlı gibi görünüyordu ve daha büyük modeller karmaşık akıl yürütme görevlerinde daha iyi performans gösteriyordu. Bu bulgu, büyük akıl yürütme modelleri oluşturma yarışmasına yol açtı ve şirketler büyük dil modellerini güçlü akıl yürütme motorlarına dönüştürmeye odaklandı.

AI modellerine akıl yürütme yetenekleri kazandırma fikri, büyük dil modellerinin bağlam içi öğrenme yeteneğinden kaynaklanmaktadır. Araştırmacılar gördü ki modellere sorunları adım adım çözme örnekleri gösterildiğinde, bu kalıbı yeni sorunlar için takip etmeyi öğrenirler. Bu, daha büyük modellerin geniş veri setlerine doğal olarak daha gelişmiş akıl yürütme yetenekleri kazandığını düşünülmesine yol açtı. Model boyutu ile akıl yürütme performansı arasındaki güçlü bağlantı kabul gören bir gerçek haline geldi. Ekipler, pekiştirme öğrenimi kullanarak akıl yürütme yeteneklerini ölçeklendirme için büyük kaynaklar ayırdılar, hesaplama gücünün gelişmiş akıl yürütmenin anahtarı olduğuna inanıyorlardı.

Veri Odaklı Yaklaşımın Anlaşılması

Veri odaklı AI’nin yükselişi, “daha büyük daha iyi” zihniyetini sorgulamaktadır. Bu yaklaşım, model mimarisinden veri eğitimi için kullanılan verilerin özenle tasarlanmasına odaklanmayı değiştirir. Veri, sabit girdi olarak değil, AI performansını artırmak için iyileştirilebilecek ve optimize edilebilecek malzeme olarak görülür.

Andrew Ng, bu alanın önde gelen isimlerinden biri, sistemli mühendislik uygulamaları oluşturarak veri kalitesini geliştirmeyi rather than yalnızca kodu ayarlayarak veya modelleri ölçeklendirerek savunmaktadır. Bu felsefe, veri kalitesi ve kürasyonun genellikle model boyutundan daha önemli olduğunu tanır. Bu yaklaşımı benimseyen şirketler, küçük ancak iyi eğitilmiş modellerin, yüksek kaliteli ve özenle hazırlanmış veri setleriyle eğitildiklerinde daha büyük modelleri geçebileceğini göstermiştir.

Veri odaklı yaklaşım farklı bir soru sorar: “Verilerimizi nasıl geliştirebiliriz?” rather than “Modelimizi nasıl büyütebiliriz?” Bu, daha iyi eğitim veri setleri oluşturmayı, veri kalitesini iyileştirmeyi ve sistematik veri mühendisliğini içerir. Veri odaklı AI’de odak, belirli görevler için verilerin neden etkili olduğunu anlamaya yöneliktir, yalnızca daha fazlasını toplamak değil.

Bu yaklaşım, küçük ancak güçlü AI modellerini küçük veri setleri ve çok daha az hesaplama kullanarak eğitmek için büyük umutlar vaat etmektedir. Microsoft’un Phi modelleri, veri odaklı yaklaşım kullanarak küçük dil modelleri eğitmek için iyi bir örnektir. Bu modeller, eğitim planı ile eğitilir, bu da çocukların giderek daha zor örneklerle öğrenmesine benzeyen bir yöntemdir. İlk olarak modeller basit örneklerle eğitilir, ardından daha zor örneklerle değiştirilir. Microsoft, “Textbooks Are All You Need” adlı makalesinde açıkladığı gibi, ders kitaplarından oluşan bir veri seti oluşturdu. Bu, Phi-3‘ün dil anlaşma, genel bilgi, ilkokul matematik problemleri ve tıbbi soru cevapları gibi görevlerde Google’ın Gemma ve GPT 3.5 modellerini geçmesini sağladı.

Veri odaklı yaklaşımın başarısına rağmen, akıl yürütme genellikle büyük AI modellerinin bir özelliği olarak kaldı. Bunun nedeni, akıl yürütme için karmaşık kalıplar ve bilgilerin gerekli olmasıdır, bu da büyük ölçekli modellerin daha kolay yakalayabildiği bir şeydir. Ancak bu inanç最近 Phi-4-mantık modelinin geliştirilmesiyle sorgulanmaktadır.

Phi-4-Mantık’ın Çığır Açan Stratejisi

Phi-4-mantık, küçük akıl yürütme modellerini eğitmek için veri odaklı yaklaşımın nasıl kullanılabileceğini göstermektedir. Model, temel Phi-4 modelinin OpenAI’nin o3-mini ile oluşturulan “öğretilebilir” yönlendirmeler ve akıl yürütme örnekleri üzerine denetimli olarak ayarlanmasıyla oluşturulmuştur. Odak, veri seti boyutundan ziyade kalite ve özgüllüğe yöneliktir. Model, milyarlarca genel yönlendirmenin yerine yaklaşık 1,4 milyon yüksek kaliteli yönlendirme ile eğitilir. Araştırmacılar, farklı zorluk seviyeleri ve akıl yürütme türlerini kapsayan örnekleri filtrelediler, bu da çeşitliliği sağladı. Bu özenli kürasyon, her eğitim örneğinin amacını belirledi ve modelin belirli akıl yürütme kalıplarını öğrenmesini sağladı.

Denetimli ayarlamada, model tam akıl yürütme gösterimleri ile eğitilir, bu da modelin mantıksal argümanlar oluşturmayı ve sorunları sistematik olarak çözmeyi öğrenmesini sağlar. Modelin akıl yürütme yeteneklerini daha da geliştirmek için, yaklaşık 6.000 yüksek kaliteli matematik problemi ile pekiştirme öğrenimi uygulanır. Bu, odaklanmış pekiştirme öğreniminin, iyi kürasyon yapılmış veri setlerine uygulandığında akıl yürütme yeteneklerini önemli ölçüde geliştirebileceğini göstermektedir.

Beşeri Beklentilerin Ötesinde Performans

Sonuçlar, bu veri odaklı yaklaşımın işe yaradığını kanıtlamaktadır. Phi-4-mantık, daha büyük açık ağırlık modelleri gibi DeepSeek-R1-Distill-Llama-70B ve neredeyse tam DeepSeek-R1 ile karşılaştırılabilir performans gösterir, buna rağmen çok daha küçüktür. AIME 2025 testinde (ABD Matematik Olimpiyatları eleme sınavı), Phi-4-mantık 671 milyar parametreli DeepSeek-R1’i geçer.

Bu kazançlar, matematikten öteye, bilimsel problem çözme, kodlama, algoritmalar, planlama ve uzaysal görevlere kadar uzanır. Özenli veri kürasyonundan elde edilen iyileştirmeler, genel benchmark’lara iyi transfer olur, bu da bu yöntemin temel akıl yürütme yetenekleri inşa ettiğini, görevlere özgü hileler değil, gösterir.

Phi-4-mantık, gelişmiş akıl yürütmenin büyük hesaplama gücü gerektirdiği fikrine meydan okumaktadır. 14 milyar parametrelik bir model, özenle kürasyon yapılmış veri setleri ile eğitildiğinde, çok daha büyük modellerin performansını eşleyebilir. Bu verimlilik, kaynakların sınırlı olduğu ortamlarda akıl yürütme AI’yi dağıtmak için önemli sonuçlar doğurur.

AI Geliştirme için Sonuçlar

Phi-4-mantık’ın başarısı, AI akıl yürütme modellerinin nasıl oluşturulacağı konusunda bir değişimi işaret etmektedir. Ekip, model boyutunu artırmaya odaklanmak yerine, veri kalitesi ve kürasyonuna yatırım yaparak daha iyi sonuçlar elde edebilir. Bu, gelişmiş akıl yürütmenin daha erişilebilir olmasını sağlar, özellikle büyük hesaplama bütçeleri olmayan organizasyonlar için.

Veri odaklı yöntem, yeni araştırma yollarını da açar. Gelecek çalışmalar, daha iyi eğitim yönlendirmeleri bulmaya, daha zengin akıl yürütme gösterimleri oluşturmaya ve akıl yürütme için hangi verilerin en iyi yardımcı olduğunu anlamaya odaklanabilir. Bu yönler, yalnızca daha büyük modeller oluşturmak yerine daha üretken olabilir.

Daha geniş bir perspektiften, bu AI’nin demokratikleşmesine yardımcı olabilir. Küçük modellerin, kürasyon yapılmış veri setleri ile eğitildiğinde büyük modelleri geçebilmesi, gelişmiş AI’yi daha fazla geliştirici ve organizasyona ulaşılabilir kılar. Bu, AI’nin benimsenmesini ve inovasyonunu, çok büyük modellerin pratik olmadığı alanlarda hızlandırabilir.

Akıl Yürütme Modellerinin Geleceği

Phi-4-mantık, akıl yürütme modeli geliştirme için yeni bir standart belirlemektedir. Gelecek AI sistemleri, özenli veri kürasyonunu mimari iyileştirmelerle dengeleyecektir. Bu yaklaşım, hem veri kalitesinin hem de model tasarımının önemli olduğunu kabul eder, ancak veri iyileştirmesi daha hızlı ve daha maliyet etkin kazançlar sağlayabilir.

Bu ayrıca, belirli alanlara odaklanan akıl yürütme modellerinin, alan özel veri setleri ile eğitilmesi anlamına gelir. Genel amaçlı devasa modeller yerine, ekipler, belirli alanlarda uzmanlaşmış, hedeflenmiş veri kürasyonu ile daha verimli AI oluşturabilir.

AI ilerledikçe, Phi-4-mantık’tan alınan dersler, yalnızca akıl yürütme modeli eğitimi değil, AI geliştirme genelinde etkili olacaktır. Veri kürasyonunun boyut sınırlarını aşmasının başarısı, gelecekteki ilerlemenin, yalnızca daha büyük mimarilerin inşa edilmesinden değil, aynı zamanda akıllı veri mühendisliği ile model inovasyonunun birleştirilmesinden geleceğini önermektedir.

Alt Çizgi

Microsoft’un Phi-4-mantık modeli, gelişmiş AI akıl yürütmesinin çok büyük modellere ihtiyaç duyduğu inancını değiştirmektedir. Bunun yerine, model bir veri odaklı yaklaşım kullanır ve yalnızca 14 milyar parametre ile çok daha büyük modellerin performansını eşler. Bu, daha iyi verilerin model boyutundan daha önemli olduğunu göstermektedir.

Bu yeni eğitim yöntemi, gelişmiş AI akıl yürütmesinin daha verimli ve büyük hesaplama kaynaklarına sahip olmayan organizasyonlar için daha erişilebilir olmasını sağlar. Phi-4-mantık’ın başarısı, AI geliştirme için yeni bir yönü işaret etmektedir, bu da veri kalitesini iyileştirmeye, akıllı eğitimi ve özenli mühendisliğe odaklanmayı içerir, yalnızca modelleri büyütmek değil.

Bu yaklaşım, AI’nin daha hızlı ilerlemesine, maliyetlerin azaltmasına ve daha fazla insanın ve şirketin güçlü AI araçlarını kullanabilmesine yardımcı olabilir. Gelecekte, AI muhtemelen daha iyi modellerle daha iyi verilerin birleştirilmesiyle büyüyecek ve gelişmiş AI’yi birçok uzmanlaşmış alanda faydalı kılacaktır.