Phi-3

AI PC | IT用語集

Phi-3とは

Phi-3は、Microsoftが2024年4月に発表したコンパクトなSLM（Small Language Model）シリーズです。3.8B～14Bパラメータという小型ながら、パラメータ数が一桁多い大規模LLMに匹敵する応答品質を持ち、Copilot+ PCのNPU（Neural Processing Unit）上で高速動作します。クラウドにデータを送信せずローカル完結で処理できるため、プライバシーを保護しながらAI会話・文章生成・要約・コード補完といったタスクをオフラインで実行できます。

Phi-3はもともとMicrosoft Researchが2023年に公開した実験的モデル「Phi-1」「Phi-2」の系譜にあたります。Phi-1・Phi-2の研究段階で示された「教科書レベルの高品質なデータを厳選して学習させれば、パラメータ数が少なくても高い推論能力を獲得できる」というコンセプト（論文名にちなみ、しばしば "Textbooks Are All You Need" のアプローチと呼ばれます）を製品グレードに発展させたのがPhi-3です。この設計思想により、Phi-3は同程度のパラメータ規模を持つ他のオープンモデルと比べても、数学・論理推論・コーディングのベンチマークで高いスコアを記録したと報告されています。

用語としては「Phi-3」は本来3.8B～14Bパラメータの2024年リリース世代を指しますが、後継の「Phi-4」（14B、2024年12月リリース）や軽量版「Phi-4-mini」を含めて、Microsoft SLMシリーズ全体を指す文脈で使われることも多い点に注意してください。本ページでも両方を扱います。

Phi-3シリーズ

Phi-3-mini（3.8Bパラメータ）

  • 最軽量：スマートフォンでも動作可能
  • メモリ：4-8GB RAM
  • 用途：簡単な質問応答、文章要約、コード補完
  • 速度：最高速（NPU上で秒間30トークン以上）

Phi-3-small（7Bパラメータ）

  • バランス型：性能と速度の最適バランス
  • メモリ：16GB RAM推奨
  • 用途：詳細な質問応答、翻訳、文章生成
  • Copilot+ PC推奨：NPU 40 TOPS以上

Phi-3-medium（14Bパラメータ）

  • 最高性能：SLMの中でトップクラスの精度
  • メモリ：32GB RAM推奨
  • 用途：複雑な推論、長文生成、専門的なタスク
  • 推奨：NPU 50 TOPS + GPU併用

Phi-3-vision（マルチモーダル版）

  • 入力形式：テキストに加えて画像入力に対応した軽量マルチモーダルモデル
  • 用途：画像に写った図表やスクリーンショットの読み取り、画像を含む資料の要約・質問応答
  • 位置づけ：テキスト専用のmini/small/mediumとは別系統で、画像理解が必要なタスク向けに用意されたバリアント

Phi-3の仕組みと特徴

アーキテクチャ：Transformerデコーダー

Phi-3は他の主要なLLM/SLMと同様に、Transformerのデコーダーのみを使った自己回帰型（Autoregressive）の言語モデルです。特別に珍しい構造を採用しているわけではなく、モデル構造自体はLlamaなど他のオープンモデルと近い設計になっています。Phi-3の差別化ポイントは構造そのものより「何を学習させたか」にあります。

高品質な学習データという設計思想

  • 厳選フィルタリング済みWebデータ：一般的なLLMが使う雑多なWebクロールデータではなく、教育的価値の高い文書に絞り込んだデータセットを使用
  • 合成データ（Synthetic Data）：大規模モデルに教科書的な練習問題・対話例を生成させ、それを学習データとして活用
  • データ量よりデータ「質」を優先：パラメータ数を増やす代わりに学習データの質を高めることで、小型でも高い推論能力を獲得
  • 結果として、同程度のパラメータ規模の他モデルと比べ、数学・論理パズル・コード生成のベンチマークで相対的に高いスコアを記録したと報告されています

コンテキスト長

  • Phi-3-mini / small / medium：いずれも4Kトークン版と128Kトークン版（Phi-3-mini-128k-instructなど）が公開されており、用途に応じて選択可能
  • 128Kトークン版であれば、日本語で数万文字規模の長文ドキュメントを一度に読み込んで要約・QAが可能
  • コンテキスト長が長いほどメモリ使用量も増えるため、実運用では必要な長さのモデルを選ぶことが推奨されます

多言語対応

  • 日本語、英語、中国語、フランス語など主要言語に対応
  • 多言語での質問応答・翻訳が可能だが、学習データの中心は英語であるため、日本語の細かいニュアンスや専門用語の精度は英語に比べてやや劣る場面がある点は留意が必要

量子化とNPU最適化

Phi-3系モデルは量子化（INT4/INT8化）に対応しており、精度を大きく落とさずにモデルサイズとメモリ使用量を圧縮できます。Copilot+ PCではこの量子化済みモデルをNPU上で実行することで、CPU/GPUで動かす場合より消費電力を抑えつつ、バッテリー駆動時でも安定した応答速度を実現しています。

具体例・ユースケース

Phi-3/Phi-4は「小型・低コスト・オフライン動作」という特性を活かし、以下のような場面で実務利用が広がっています。

1. 社内会議の議事録要約（オフライン処理）

録音した会議内容を文字起こしした後、Phi-3-miniにローカルで要約させることで、社外のクラウドAPIに機密情報を送信せずに数千字規模の議事録を数百字程度の要点にまとめられます。医療・金融・法務など機密情報を扱う業種で特に相性が良い使い方です。

2. 社内文書検索・RAG（検索拡張生成）の軽量バックエンド

社内マニュアルやFAQをベクトル検索した結果をPhi-3に読み込ませ、根拠付きの回答を生成させる構成です。クラウドLLM APIの従量課金が発生せず、ネットワーク接続が不安定な環境（工場・店舗・移動体など）でも動作するため、エッジ側でのRAG基盤として採用されるケースが増えています。

3. コードエディタでのローカル補完・レビュー支援

VS Codeなどのエディタ拡張と組み合わせ、インターネット接続なしでコード補完やレビューコメントの下書きを生成する用途です。Phi-3-smallやPhi-4-miniはコーディングタスクのベンチマークでも高いスコアを示しており、社外に出せないプロプライエタリなコードを扱う開発現場で使われています。

4. Copilot+ PCの標準機能との連携

Recallやライブキャプションの翻訳・要約処理など、Windows標準のAI機能の一部にオンデバイスSLMが使われています。Phi系モデル自体はこれらの機能を直接置き換えるものではありませんが、同じ「NPU上でオンデバイス動作する小型モデル」という技術的な位置づけを共有しています。

5. IoT・エッジデバイスへの組み込み

産業用PCや組み込み機器など、常時インターネット接続を前提にできない環境で、異常検知のログをその場で自然言語要約したり、現場作業員向けの音声アシスタントを構築したりする用途にも利用が広がっています。

メリット・デメリット（注意点）

メリット

  • プライバシー保護：データを外部送信せずローカル完結で処理できるため、機密情報の漏洩リスクを抑えられる
  • オフライン動作：インターネット接続がない環境でも利用可能
  • 低コスト：クラウドAPIのようなトークン従量課金が発生しない（電気代・ハードウェア償却のみ）
  • 低レイテンシ：ネットワーク往復がないため応答が速い
  • 省電力：NPU上で動作させることでCPU/GPUのみで動かすより消費電力を抑えられ、ノートPCのバッテリー駆動時間への影響が小さい
  • 寛容なライセンス：MIT Licenseで公開されており、商用利用や派生モデルの作成がしやすい

デメリット・注意点

  • 知識量の限界：パラメータ数が少ない分、学習データに含まれない専門知識や最新情報には弱く、学習データのカットオフ以降の出来事は基本的に知らない
  • 複雑な推論の限界：GPT-4oやClaudeのような数千億パラメータ級の大規模LLMと比べると、複数ステップにまたがる高度な推論や曖昧な指示の解釈では精度が落ちる場面がある
  • 日本語精度のばらつき：学習データの中心が英語であるため、日本語特有の言い回しや専門用語では英語ほどの精度が出ないことがある
  • ハルシネーションのリスク：大規模モデルと同様に、事実と異なる内容をもっともらしく生成するリスクは残る。重要な判断に使う場合は人間による検証が前提
  • ハードウェア要件：Phi-3-mediumやPhi-4クラスを快適に動かすには16GB以上のRAMや対応NPUが必要で、古いPCでは十分な速度が出ない場合がある
  • ファインチューニングの専門性：自社データで追加学習（ファインチューニング）する場合は、機械学習の知識を持つ人材が必要になる

混同されやすい用語・類似技術との違い

Phiシリーズ と 他社のSLM（Llama 3.2、Gemma 2、Mistral 7B など）

Phi-3/Phi-4はMicrosoftのSLMですが、同じく数B〜十数Bパラメータ帯で公開されているオープンモデルとして、Meta社の「Llama 3.2」、Google社の「Gemma 2」、Mistral AI社の「Mistral 7B」などがあります。いずれも「SLMとしてPC・エッジで動かせる」という位置づけは共通していますが、学習データの構成方針、対応言語のバランス、ライセンス条件（MIT・Llama独自ライセンス・Apache 2.0など）がそれぞれ異なります。どのモデルが最適かはタスクの種類（数学・コーディング・多言語対応など）によって変わるため、導入前に自社のユースケースでベンチマークを取ることが推奨されます。

モデル 開発元 パラメータ規模の目安 ライセンス
Phi-4 / Phi-3 Microsoft 3.8B～14B MIT License
Llama 3.2 Meta 1B～90B程度（幅広い） Llama独自ライセンス
Gemma 2 Google 2B～27B程度 Gemma利用規約
Mistral 7B Mistral AI 7B Apache 2.0

※パラメータ規模・ライセンス条件は各社の発表内容に基づく目安であり、シリーズのバージョンアップに伴い変更される場合があります。導入時は必ず各社公式ページで最新のライセンス条件を確認してください。

Phi（SLM） と Copilot（クラウドAI）の違い

「Microsoft Copilot」という名前から誤解されがちですが、Windows CopilotやMicrosoft 365 Copilotの多くの機能は、OpenAIのGPT系クラウドモデルを利用しています。一方Phiシリーズは、Copilot+ PCのNPU上でローカル実行される別系統のモデルです。両者は「Microsoftが提供するAI」という点では共通しますが、実行場所（クラウド vs オンデバイス）とモデルの出自が異なる点に注意してください。

SLM（Phiのような小型設計モデル） と 量子化された大規模モデルの違い

「PC上で動く軽量なAIモデル」という意味では、Phi-3のように最初から小型に設計・学習されたSLMと、Llama 3 70Bのような大規模モデルを量子化で圧縮して動かす手法は混同されがちです。前者はパラメータ数自体が少ないためメモリ消費・消費電力が根本的に小さく、後者は元が大規模なため量子化しても要求スペックが相対的に高くなる傾向があります。目的が「省スペック」であればSLM、「大規模モデルの精度をできるだけ維持したい」であれば量子化、と使い分けるのが実務上の目安です。

Phi-3 と Phi-4 の違い

Phi-3（2024年4月）とPhi-4（2024年12月）は世代が異なります。Phi-4は同じ14Bパラメータ規模でありながら、学習データと学習手法の改良により数学・推論能力が大きく向上したとされ、特にMATHベンチマークではGPT-4oを上回ったと報告されています。新規に導入する場合は、原則として後継であるPhi-4系（Phi-4、Phi-4-mini、Phi-4 Multimodal）を選ぶのが基本方針になります。

Copilot+ PCでの実行方法と選定ポイント

Ollamaでの実行


# Phi-3-miniをダウンロード・実行
ollama run phi3

# Phi-4を実行する場合
ollama run phi4

# チャット開始
>>> こんにちは、Phi-3です。何をお手伝いしましょうか？

ONNX Runtimeでの実行

DirectML経由でNPUを活用し、最高のパフォーマンスを実現：


import onnxruntime as ort

# NPUを使用してPhi-3を実行
providers = ['DmlExecutionProvider']
session = ort.InferenceSession('phi3-mini.onnx', providers=providers)

対応チップとNPU性能の目安

Copilot+ PCの要件を満たすには、NPU単体で40 TOPS（Tera Operations Per Second）以上の性能が必要とされています。主要な対応チップの性能目安は次の通りです。

※TOPS値はメーカー公表の目安値であり、実際の生成速度はモデルサイズ・量子化方式・OSやドライバのバージョンによっても変動します。

購入・選定時のチェックポイント

  • NPUのTOPS値：Copilot+ PC対応をうたう製品でも世代によってTOPS値が異なるため、購入前にスペック表で確認する
  • RAM容量：Phi-3-mini中心の軽い用途なら8～16GB、Phi-3-mediumやPhi-4を快適に使うなら32GB以上を推奨
  • 使いたいモデルサイズとの対応：ライトな要約・補完中心ならmini、バランス重視ならsmall、精度重視ならmedium/Phi-4、というように用途に応じてサイズを選ぶ
  • OSバージョン：Copilot+ PCの機能やWindows AI Foundry経由の実行にはWindows 11の比較的新しいバージョンが必要になるため、購入時にサポート状況を確認する
  • ストレージ容量：複数サイズのモデルを併用する場合、量子化済みでも1モデルあたり数GB～十数GBのディスク容量が必要になる

Phi-4の最新情報（2024-2025年）

  • Phi-4リリース（2024年12月）：14Bパラメータで数学・推論能力が飛躍的向上。MATHベンチマークでGPT-4oを超えたと報告されています
  • Phi-4-mini（2025年）：3.8Bと軽量ながら高性能なコンパクト版。Phi-3-miniの後継として、より低スペックな端末向けに位置づけ
  • Phi-4 Multimodal（2025年）：テキストに加え画像・音声など複数モダリティの入力に対応したマルチモーダル版
  • Phi-4-reasoning系：思考の連鎖（Chain-of-Thought）を強化し、数学・論理パズルなど複数ステップの推論タスクに特化したバリアントも展開されています
  • Windows AI Foundry / Foundry Local統合：Copilot+ PC上でGUIから簡単にPhi-4をダウンロード・セットアップできる仕組みが整備されています
  • Azure AI Foundryとの統合：同じPhiモデルをクラウド（Azure）とオンデバイスの両方で切り替えて利用できる開発体験が提供されています

Phiシリーズは数ヶ月単位で新バリアントが追加される更新頻度の高い製品ラインです。本ページの情報は執筆時点のものであり、最新の対応状況はMicrosoft公式ページやHugging Faceのモデルカードで確認することを推奨します。

まとめ

Phi-3/Phi-4は、MicrosoftのコンパクトなSLMで、Copilot+ PCのNPU上で高速動作します。「教科書レベルの高品質データで学習させる」という設計思想により、小型ながら数学・コーディングなどのタスクで高品質な応答が可能で、プライバシーを重視するユーザーやオフラインでAI機能を使いたいユーザーに最適です。一方で知識量や複雑な推論では大規模LLMに及ばない面もあるため、「クラウドの大規模LLMを使うか」「オンデバイスのSLMで十分か」をタスクごとに見極めて使い分けるのが実務上のポイントになります。2024年末にリリースされたPhi-4は14Bながら数学・推論で優れた性能を示し、SLMの代表格として位置づけられています。

よくある質問（FAQ）

Q. Phi-4はどのくらいのスペックのPCで動きますか？

INT4量子化版のPhi-4（14B）は16GBのRAMを搭載したCopilot+ PCで動作します。NPUを活用した場合は消費電力も抑えられます。より軽量なPhi-4-mini（3.8B）は8GB RAMのPCでも動作可能です。快適さを重視するなら32GB RAM・NPU 40 TOPS以上の構成が安心です。

Q. Phiシリーズは商用利用可能ですか？

はい。Phi-3/Phi-4はMIT Licenseで公開されており、商用利用が可能です。ただし商用サービスへの組み込みにはMicrosoftの利用規約を確認することをお勧めします。

Q. Phi-3/Phi-4は日本語にどこまで対応していますか？

日本語での質問応答・要約・翻訳は一通り可能ですが、学習データの中心は英語であるため、専門用語や微妙なニュアンスの表現では英語と比べて精度が落ちる場合があります。日本語での業務利用を検討する場合は、想定する業務文書で事前に精度を検証することをお勧めします。

Q. Phi-3とPhi-4、どちらを選ぶべきですか？

新規に導入するのであれば、原則として後継世代のPhi-4系（Phi-4、Phi-4-mini、Phi-4 Multimodalなど）を選ぶのが基本方針です。既にPhi-3ベースで構築済みの環境がある場合も、動作要件が大きく変わらない範囲であれば移行を検討する価値があります。

Q. Copilot+ PCではないWindows PCでもPhiは動きますか？

動きます。NPUがなくてもCPUやGPU（DirectML経由）で推論を実行できますが、その場合は消費電力が増え、応答速度もNPU利用時より遅くなる傾向があります。快適に使いたい場合はNPU搭載のCopilot+ PCが推奨されます。

関連用語

  • SLM（Small Language Model） - Phiが属するローカルAIモデルのカテゴリ
  • オンデバイスAI - Phiを活用したローカルAI処理
  • ONNX Runtime GenAI - PhiをPC上で実行するランタイム
  • NPU - Phiを高速実行するAI専用プロセッサ
  • TOPS - NPUの処理性能を表す指標。Copilot+ PC要件の基準にもなる
  • 量子化 - Phiモデルを圧縮しNPU上で効率実行するための技術
  • Copilot+ PC - PhiをNPU上でローカル実行するための対応PC規格

外部リンク・参考資料

Phi-4 on Hugging Face（モデルカード・重みファイルの配布元）
Microsoft Azure - Phi Family（Phiシリーズの公式製品ページ）
Phi-3 Technical Report（arXiv）（学習手法・ベンチマーク結果を記載した技術論文）
Phi-3 Cookbook（GitHub）（実行方法やサンプルコードをまとめた公式リポジトリ）

この用語についてもっと詳しく

Phi-3に関するご質問など、お気軽にお問い合わせください。