Memperkenalkan Phi-4: Model AI Kecil yang Mengungguli Nama-Nama Terbesar

Jika Anda seorang pengembang, ilmuwan data, atau penggemar AI, Anda mungkin telah mengamati perkembangan pesat dalam model bahasa. Kabar terbaru di komunitas AI adalah tentang Phi-4, sebuah model mutakhir yang menjanjikan untuk mendorong batasan dari apa yang mungkin dengan pemrosesan bahasa alami (NLP). Dalam artikel ini, kita akan menyelami lebih dalam apa itu Phi-4, menjelajahi tolok ukurnya, dan membahas mengapa ia menghasilkan begitu banyak kegembiraan. Sepanjang jalan, kita juga akan menyinggung tentang Apidog, sebuah platform pengembangan API yang kuat yang menjadi favorit di antara para pengembang sebagai alternatif yang lebih baik untuk Postman.

Apa itu Phi-4?

Phi-4 adalah iterasi keempat dalam seri model bahasa Phi, yang dikembangkan oleh tim peneliti dan insinyur yang berfokus pada pembuatan sistem AI yang sangat efisien dan terukur di Microsoft Research Labs. Dibangun di atas fondasi pendahulunya, Phi-4 memperkenalkan beberapa inovasi arsitektur dan teknik pelatihan yang membuatnya lebih cepat, lebih akurat, dan lebih serbaguna dari sebelumnya. Yang sangat menarik tentang Phi-4 adalah bahwa ia hadir dalam dua varian berbeda: Phi-4 Mini dan Phi-4 Multimodal, dan setiap varian disesuaikan dengan kasus penggunaan tertentu, menawarkan kekuatan dan kemampuan unik.

Pada intinya, Phi-4 adalah model berbasis transformer yang dirancang untuk menangani berbagai tugas NLP, mulai dari pembuatan dan peringkasan teks hingga penyelesaian kode dan menjawab pertanyaan. Yang membedakan Phi-4 adalah kemampuannya untuk memberikan kinerja terbaik sambil mempertahankan ukuran yang relatif ringkas, membuatnya lebih mudah diakses untuk penyebaran di lingkungan dengan sumber daya terbatas.

Phi-4 mini vs Phi-4 multimodal

Phi-4 Mini adalah versi ringkas dan ringan dari model Phi-4, yang dirancang untuk pengembang dan organisasi yang membutuhkan solusi AI berkinerja tinggi tanpa overhead komputasi dari model yang lebih besar. Terlepas dari ukurannya yang lebih kecil, Phi-4 Mini memberikan kinerja kontemporer dalam tugas berbasis teks, menjadikannya ideal untuk aplikasi seperti: Pembuatan teks, peringkasan, penyelesaian kode, dan menjawab pertanyaan. Di sisi lain, Phi-4 Multimodal adalah varian unggulan dari seri Phi-4, yang dirancang untuk menangani input multimodal, termasuk teks, gambar, dan audio. Ini menjadikannya alat serbaguna untuk tugas kompleks yang membutuhkan penalaran di berbagai jenis data. Aplikasi utama meliputi: Menjawab pertanyaan visual, pemahaman dokumen, pengenalan dan penerjemahan ucapan, dan penalaran bagan dan tabel.

Fitur Utama Phi-4

1. Arsitektur yang Ditingkatkan

Phi-4 memanfaatkan mekanisme perhatian jarang, yang mengurangi overhead komputasi sambil mempertahankan kinerja tinggi. Ini memungkinkan model untuk memproses urutan teks yang lebih panjang secara lebih efisien, menjadikannya ideal untuk tugas-tugas seperti peringkasan dokumen dan pembuatan kode.

2. Kemampuan Multimodal

Tidak seperti pendahulunya, Phi-4 dirancang untuk menangani input multimodal, termasuk teks, gambar, dan bahkan data terstruktur. Ini membuka kemungkinan baru untuk aplikasi seperti menjawab pertanyaan visual dan analisis dokumen.

3. Fleksibilitas Fine-Tuning

Phi-4 mendukung teknik fine-tuning yang efisien parameter seperti LoRA (Low-Rank Adaptation) dan prompt tuning. Ini berarti pengembang dapat mengadaptasi model ke tugas-tugas tertentu tanpa perlu melatih ulang seluruh arsitektur, menghemat waktu dan sumber daya komputasi.

4. Sumber Terbuka dan Didorong oleh Komunitas

Phi-4 adalah bagian dari inisiatif sumber terbuka, mendorong kolaborasi dan inovasi dalam komunitas AI. Pengembang dapat mengakses model yang telah dilatih sebelumnya, skrip fine-tuning, dan dokumentasi ekstensif untuk memulai dengan cepat.

Tolok Ukur: Bagaimana Kinerja Phi-4?

Phi-4 telah menetapkan standar baru dalam kinerja AI, terutama dalam tugas multimodal yang menggabungkan input visual, audio, dan tekstual. Kemampuannya untuk memproses dan bernalar di berbagai modalitas menjadikannya model yang menonjol dalam lanskap AI. Di bawah ini, kita akan menjelajahi kinerja Phi-4 di seluruh tolok ukur visual, audio, dan multimodal, menyoroti kekuatan dan bidang keunggulannya.

Tolok Ukur Visual dan Audio Phi-4

1. Kinerja Multimodal

Phi-4-multimodal mampu memproses input visual dan audio secara bersamaan, menjadikannya alat serbaguna untuk tugas-tugas kompleks seperti pemahaman bagan/tabel dan penalaran dokumen. Ketika diuji pada input ucapan sintetis untuk tugas-tugas terkait visi, Phi-4-multimodal mengungguli model omni state-of-the-art lainnya, seperti InternOmni-7B dan Gemini-2.0-Flash, di berbagai tolok ukur. Misalnya:

SAi2D: Phi-4-multimodal mencapai skor 93.2, melampaui 91.2 Gemini-2.0-Flash.
SChartQA: Ia mencetak skor 95.7, mengungguli 92.1 Gemini-2.0-Flash-Lite.
SDocVQA: Dengan skor 82.6, ia melampaui 77.8 Gemini-2.0-Flash.
SInfoVQA: Ia mencapai 77.1, dibandingkan dengan 73 Gemini-2.0-Flash.

Hasil ini menunjukkan kemampuan Phi-4 untuk menangani tugas multimodal kompleks dengan presisi dan efisiensi.

2. Tugas Terkait Ucapan

Phi-4-multimodal juga telah menunjukkan kemampuan luar biasa dalam tugas terkait ucapan, muncul sebagai model terbuka terkemuka di bidang-bidang seperti pengenalan ucapan otomatis (ASR) dan penerjemahan ucapan (ST). Ia mengungguli model khusus seperti WhisperV3 dan SeamlessM4T-v2-Large dalam tugas ASR dan ST. Misalnya:

Papan Peringkat OpenASR: Phi-4-multimodal mengklaim posisi teratas dengan tingkat kesalahan kata (WER) sebesar 6.14%, melampaui yang terbaik sebelumnya sebesar 6.5% pada Februari 2025.
Peringkasan Ucapan: Ia mencapai tingkat kinerja yang sebanding dengan GPT-4o, menjadikannya salah satu dari sedikit model terbuka yang berhasil menerapkan kemampuan ini.

Namun, Phi-4-multimodal memiliki sedikit celah dengan model seperti Gemini-2.0-Flash dan GPT-4o-realtime-preview dalam tugas menjawab pertanyaan ucapan (QA), terutama karena ukuran modelnya yang lebih kecil, yang membatasi kapasitasnya untuk mempertahankan pengetahuan QA faktual.

Perbandingan antara Phi-4-multimodal dan model lainnya

3. Kemampuan Visi

Terlepas dari ukurannya yang lebih kecil (hanya 5.6B parameter), Phi-4-multimodal menunjukkan kemampuan visi yang kuat di berbagai tolok ukur. Ia unggul dalam penalaran matematika dan sains, serta tugas multimodal umum seperti pemahaman dokumen, penalaran bagan, dan pengenalan karakter optik (OCR). Misalnya:

MMMU (val): Phi-4 mencetak skor 55.1, mengungguli Qwen 2.5-VL-7B-Instruct (51.8) dan Intern VL 2.5-8B (50.6).
DocVQA: Ia mencapai 93.2, cocok dengan Gemini-2.0-Flash (92.1) dan Claude-3.5-Sonnet (95.2).

Hasil ini menyoroti kemampuan Phi-4 untuk mempertahankan kinerja kompetitif dalam tugas-tugas terkait visi meskipun ukurannya ringkas.

Perbandingan kemampuan Phi-4 dengan LLM lainnya

Poin-Poin Penting

Keunggulan Multimodal: Phi-4-multimodal unggul dalam tugas-tugas yang membutuhkan pemrosesan simultan input visual dan audio, mengungguli model yang lebih besar seperti Gemini-2.0-Flash dan InternOmni-7B.
Dominasi Ucapan: Ia memimpin dalam tolok ukur terkait ucapan, khususnya dalam ASR dan penerjemahan ucapan, dengan WER sebesar 6.14% di papan peringkat OpenASR.
Kecakapan Visi: Terlepas dari ukurannya yang lebih kecil, Phi-4-multimodal cocok atau melampaui model yang lebih besar dalam tugas-tugas visi seperti pemahaman dokumen dan OCR.

Kinerja Phi-4 di seluruh tolok ukur ini menggarisbawahi keserbagunaan dan efisiensinya, menjadikannya alat yang ampuh bagi pengembang dan peneliti yang mengerjakan aplikasi AI multimodal.

Mengapa Phi-4 Penting

Phi-4 bukan hanya peningkatan inkremental lain di dunia AI—ia terobosan dan inilah alasannya:

Efisiensi: Ukuran Phi-4 yang ringkas dan mekanisme perhatian jarang membuatnya lebih efisien untuk dilatih dan diterapkan, mengurangi biaya dan dampak lingkungan.
Keserbagunaan: Kemampuan multimodal dan fleksibilitas fine-tuning-nya membuka kemungkinan baru untuk aplikasi di berbagai industri.
Aksesibilitas: Sebagai model sumber terbuka, Phi-4 memberdayakan pengembang dan peneliti untuk bereksperimen dan berinovasi tanpa hambatan.

Apidog: Alat Pengembangan API Gratis Terbaik

Saat kita membahas tentang alat-alat mutakhir, mari kita bicara tentang Apidog, sebuah platform yang merevolusi pengembangan API. Jika Anda lelah menyulap banyak alat untuk desain, pengujian, dan dokumentasi API, Apidog hadir untuk menyederhanakan alur kerja Anda.

Mengapa Apidog Menonjol

Platform Terpadu: Apidog menggabungkan desain, pengujian, dokumentasi, dan mocking API ke dalam satu platform, menghilangkan kebutuhan akan alat seperti Postman.
Pengujian Otomatis: Hasilkan kasus pengujian langsung dari spesifikasi API dan jalankan dengan validasi bawaan.
Server Mock Pintar: Buat data mock yang realistis tanpa scripting manual.
Dukungan Multi-Protokol: Bekerja dengan REST, GraphQL, SOAP, WebSocket, dan protokol lainnya dengan mulus.
API Hub: Jelajahi dan publikasikan API dalam komunitas kolaboratif untuk visibilitas yang lebih baik.

Untuk pengembang yang ingin merampingkan alur kerja API mereka, Apidog adalah alternatif yang wajib dicoba untuk Postman.

button

Memulai dengan Phi-4

Siap untuk menyelami Phi-4? Inilah cara untuk memulai menggunakan NVIDIA API untuk tugas multimodal:

Instal Pustaka yang Diperlukan:
Pastikan Anda telah menginstal pustaka requests. Anda dapat menginstalnya menggunakan pip:

pip install requests

Siapkan File Anda:
Pastikan Anda memiliki gambar (image.png) dan file audio (audio.wav) yang siap untuk diproses.

Jalankan Kode:
Gunakan skrip Python berikut untuk berinteraksi dengan Phi-4 melalui NVIDIA API:

import requests, base64

invoke_url = "https://integrate.api.nvidia.com/v1/chat/completions"
stream = True

# Encode file gambar dan audio
with open("image.png", "rb") as f:
    image_b64 = base64.b64encode(f.read()).decode()
with open("audio.wav", "rb") as f:
    audio_b64 = base64.b64encode(f.read()).decode()

# Pastikan ukuran gabungan file berada dalam batas
assert len(image_b64) + len(audio_b64) < 180_000, \
    "Untuk mengunggah gambar dan/atau audio yang lebih besar, gunakan API aset (lihat dokumentasi)"

# Siapkan header dan payload
headers = {
    "Authorization": "Bearer $API_KEY",  # Ganti dengan kunci API Anda
    "Accept": "text/event-stream" if stream else "application/json"
}

payload = {
    "model": 'microsoft/phi-4-multimodal-instruct',
    "messages": [
        {
            "role": "user",
            "content": f'Jawab pertanyaan lisan tentang gambar.<img src="data:image/png;base64,{image_b64}" /><audio src="data:audio/wav;base64,{audio_b64}" />'
        }
    ],
    "max_tokens": 512,
    "temperature": 0.10,
    "top_p": 0.70,
    "stream": stream
}

# Kirim permintaan
response = requests.post(invoke_url, headers=headers, json=payload)

# Tangani respons
if stream:
    for line in response.iter_lines():
        if line:
            print(line.decode("utf-8"))
else:
    print(response.json())

Ganti $API_KEY dengan kunci NVIDIA API Anda yang sebenarnya.

Interpretasikan Hasilnya:
Skrip akan mengalirkan respons dari Phi-4, memberikan wawasan atau jawaban berdasarkan input gambar dan audio.

Bahasa yang Didukung untuk Setiap Modalitas

Phi-4 mendukung berbagai bahasa di seluruh modalitasnya:

Teks: Arab, Cina, Ceko, Denmark, Belanda, Inggris, Finlandia, Prancis, Jerman, Ibrani, Hongaria, Italia, Jepang, Korea, Norwegia, Polandia, Portugis, Rusia, Spanyol, Swedia, Thailand, Turki, Ukraina
Gambar: Inggris
Audio: Inggris, Cina, Jerman, Prancis, Italia, Jepang, Spanyol, Portugis

Kesimpulan

Dengan tolok ukur yang berbicara sendiri, rilis Phi-4 menandai lompatan signifikan ke depan dalam model bahasa AI, membawa peningkatan efisiensi, keserbagunaan, dan aksesibilitas ke garis depan. Dua variannya, Phi-4 Mini dan Phi-4 Multimodal, melayani berbagai kasus penggunaan, dari tugas NLP tradisional hingga penalaran multimodal kompleks di seluruh teks, visi, dan audio. Ini menjadikan Phi-4 alat yang menarik bagi pengembang, peneliti, dan bisnis yang ingin memanfaatkan AI mutakhir tanpa biaya komputasi yang berlebihan.

Dan sementara Anda melakukannya, jangan lupa untuk memeriksa Apidog—platform utama untuk pengembangan API yang membuat gelombang sebagai alternatif yang lebih baik untuk Postman. Bersama-sama, Phi-4 dan Apidog memberdayakan pengembang untuk membangun sistem yang lebih cerdas, lebih cepat, dan lebih efisien.

button