Dois gráficos de barras comparando o desempenho do Phi-4-Mini com outros modelos nos benchmarks GSM8K e HumanEval.

Raciocínio matemático

GSM8K — resolução de problemas matemáticos (%)

Phi-4-Mini 3.8B Phi-3.5-Mini 3.8B Llama-3.2-3B Qwen2.5 7B (modelo maior)
GSM8K: Phi-4-Mini 88.6%, Phi-3.5-Mini 86.2%, Llama-3.2-3B 75.6%, Qwen2.5-7B 88.7%.

Geração de código

HumanEval — qualidade de código gerado (%)

Phi-4-Mini 3.8B Phi-3.5-Mini 3.8B Llama-3.2-3B Qwen2.5 7B (modelo maior)
HumanEval: Phi-4-Mini 74.4%, Phi-3.5-Mini 70.1%, Llama-3.2-3B 62.8%, Qwen2.5-7B 75.0%.

Fonte: Microsoft — Phi-4-Mini Technical Report (arXiv:2503.01743), Tabela 7