AI圈子最有意思的事，已經不是「誰家模型參數最多」，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構化推理任務設計的開源語言模型。

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

在AIME 2025數學考試上，14B的小模型，第一次嘗試的全題正確率，居然幹過了70B的精煉大塊頭，甚至快摸到DeepSeek 671B的腳後跟。

微軟團隊用一串「推理鏈」打破了常規，讓AI學會慢下來、囉嗦一點、反覆琢 磨、允許自己犯錯，主要體現在：

推理鏈（Chain-of-Thought）成為核心訓練目標 。不是像傳統大模型那樣直接給出答案，而是專門訓練模型寫「推理過程」；在訓練數據和輸出裏，強制要求模型用<think>...</think>標籤，把自己的思考、分步推理、反覆驗證詳細寫出來。這種推理鏈往往很「囉嗦」：不是一句話解決問題，而是像人類一樣，細緻分解、逐步排查。

鼓勵「慢思考」，獎勵囉嗦的推理過程。 在RL（強化學習）階段，獎勵機制被專門設計成：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，甚至反覆自我否定和修正。

結果？不僅答案對，思路也清晰。

技術報告裏有個細節特別有意思：Phi-4-reasoning的推理鏈，不是越長越好，也不是越短越強，而是「啱啱好」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，答題過程還會「自我否定」，甚至推翻重來。當然，不是所有領域都大幅提升，比如生物、化學、離散數學，AI也會「卡殼」。

Phi-4-reasoning-plus在SFT（有監督微調）之後，還加了一層 基於規則的強化學習 ，獎勵設計也很精妙：

答對了鼓勵簡潔（獎勵簡短推理）

答錯了反而鼓勵囉嗦（獎勵多想一步）

輸出格式不對、思路紊亂要扣分

重複語句有懲罰，鼓勵多樣性和探索

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

Phi-4推理模型在跨領域基準測試中的表現

報告裏的評測結果，Phi-4-reasoning和plus不僅在AIME、OmniMath、GPQA等數學/科學基準上幹翻了體量更大的Distill-Llama-70B、DeepSeek-R1，甚至在算法（TSP/3SAT）、規劃（BA-Calendar）、代碼（LiveCodeBench）等新領域也展現了極強的「遷移力」,而這些領域，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「怎麼推理」，新題型也能舉一反三，遇到沒見過的難題也能慢慢推、反覆試。對比傳統大模型「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，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。