AI圈子最有意思的事，已经不是“谁家模型参数最多”，而是——谁家小模型，能把大模型打趴下。

最近，微软研究院开源了一款“小而强”的研究：Phi-4-reasoning-plus。这是一款专为深度结构化推理任务设计的开源语言模型。

14B参数，不到DeepSeek 70B的五分之一，但数学、科学、代码、逻辑推理的表现，都比较能打。

在AIME 2025数学考试上，14B的小模型，第一次尝试的全题正确率，居然干过了70B的精炼大块头，甚至快摸到DeepSeek 671B的脚后跟。

微软团队用一串“推理链”打破了常规，让AI学会慢下来、啰嗦一点、反复琢 磨、允许自己犯错，主要体现在：

推理链（Chain-of-Thought）成为核心训练目标 。不是像传统大模型那样直接给出答案，而是专门训练模型写“推理过程”；在训练数据和输出里，强制要求模型用<think>...</think>标签，把自己的思考、分步推理、反复验证详细写出来。这种推理链往往很“啰嗦”：不是一句话解决问题，而是像人类一样，细致分解、逐步排查。

鼓励“慢思考”，奖励啰嗦的推理过程。 在RL（强化学习）阶段，奖励机制被专门设计成：答错时鼓励更长推理链，答对时鼓励简洁；只要模型没答对，就鼓励它“多想两步”，推理过程可以更长、更详细，甚至反复自我否定和修正。

结果？不仅答案对，思路也清晰。

技术报告里有个细节特别有意思：Phi-4-reasoning的推理链，不是越长越好，也不是越短越强，而是“刚刚好”地模拟了人类的“思考长度”。

RL阶段的奖励模式具体是：“答对了要简洁，答错了反而鼓励多思考”，而有些任务，答题过程还会“自我否定”，甚至推翻重来。当然，不是所有领域都大幅提升，比如生物、化学、离散数学，AI也会“卡壳”。

Phi-4-reasoning-plus在SFT（有监督微调）之后，还加了一层 基于规则的强化学习 ，奖励设计也很精妙：

答对了鼓励简洁（奖励简短推理）

答错了反而鼓励啰嗦（奖励多想一步）

输出格式不对、思路紊乱要扣分

重复语句有惩罚，鼓励多样性和探索

这和传统RLHF（基于人类反馈强化学习）不同，Phi-4团队用的是可自动验证的数学题，奖励函数直接和推理链长度、答案正确性挂钩，模型被训练成“有错就多想、多写，多步反省”。

Phi-4推理模型在跨领域基准测试中的表现

报告里的评测结果，Phi-4-reasoning和plus不仅在AIME、OmniMath、GPQA等数学/科学基准上干翻了体量更大的Distill-Llama-70B、DeepSeek-R1，甚至在算法（TSP/3SAT）、规划（BA-Calendar）、代码（LiveCodeBench）等新领域也展现了极强的“迁移力”,而这些领域，模型训练时根本没专门覆盖。

这就是推理链带来的元能力：模型不仅会解题，更会“怎么推理”，新题型也能举一反三，遇到没见过的难题也能慢慢推、反复试。对比传统大模型“一步到位”的完美答案，这种“磨叽”的AI反而更靠谱、更有韧性。

甚至在一些“非推理”任务，如长文本问答、指令遵循、毒性检测等通用能力测试中，Phi-4-reasoning-plus也有显著提升。归根结底，让AI学会慢思考、会自我检视，比单纯提升算力和知识面更可持续。