마이크로소프트 Phi-4 Reasoning 모델 시리즈 공개 | 소형 AI 모델의 새로운 지평을 열다.
인공지능 기술이 눈부신 속도로 발전하고 있는 가운데, 마이크로소프트(Microsoft)가 기존 대형 언어모델의 성능을 뛰어넘는 새로운 ‘소형’ AI 모델을 발표하면서 업계의 이목이 집중되고 있습니다. 2025년 5월, 마이크로소프트는 공식 블로그와 AI 플랫폼을 통해 ‘Phi-4 Reasoning’ 시리즈를 공개했습니다. 이번 발표는 단순한 모델 추가가 아닌, ‘사고력(reasoning)’이라는 핵심 기능을 강화한 혁신적인 모델 출시라는 점에서 큰 의미를 지닙니다.
이번에 발표된 모델은 총 세 가지로, 각각의 용도와 성능이 다르게 설계되어 있습니다. ‘Phi-4-reasoning’, ‘Phi-4-reasoning-plus’, 그리고 ‘Phi-4-mini-reasoning’이라는 이름을 가진 이 모델들은 복잡한 질문을 분석하고 추론하는 능력을 갖춘 것이 특징입니다. 이처럼 크기는 작지만 강력한 연산 능력을 지닌 모델들은 로컬 PC의 GPU나 모바일 기기에서도 동작이 가능하도록 경량화되어, 실용성과 확장성을 동시에 잡았다는 평가를 받고 있습니다.
마이크로소프트는 이전에 공개한 ‘Phi-3‘ 모델을 통해 멀티모달 기능을 도입하면서 성능과 크기의 균형을 성공적으로 구현한 바 있습니다. 이번 Phi-4 시리즈는 여기에 ‘추론 능력’이라는 핵심 역량을 더해 한층 진화한 형태로 공개되었습니다. 특히 ‘Phi-4-reasoning-plus’는 강화학습(RL)을 통해 훈련된 고급 버전으로, 기본 모델보다 1.5배 많은 토큰을 사용하여 보다 정확한 응답을 생성할 수 있으며, 이는 반응 속도 및 연산 자원의 사용량이 늘어나는 대가를 지불하면서도 성능을 최우선으로 고려한 설계입니다.
기존의 AI 산업에서는 “성능을 높이려면 모델을 키워야 한다”는 암묵적인 공식이 존재했습니다. 그러나 이번 Phi-4 시리즈의 등장은 이 공식을 뒤엎고 있습니다. 마이크로소프트는 “Phi-reasoning 모델은 크기와 성능의 균형을 잡은 새로운 카테고리의 소형 언어모델”이라고 정의하며, 소형 모델도 고난이도 문제 해결이 가능하다는 점을 입증했습니다. 실제로 마이크로소프트는 이 모델이 OpenAI의 o1-mini나 DeepSeek1-Distill-Llama-70B 모델을 능가하는 성능을 보여줬다고 밝혔습니다.
그뿐 아니라 Phi-4-reasoning-plus 모델은 6710억 개의 파라미터를 가진 거대 모델 DeepSeek-R1보다도 AIME 2025 시험에서 더 뛰어난 결과를 기록했습니다. AIME 시험은 미국 수학 올림피아드 국가대표 선발을 위한 고난이도 테스트로, 이는 Phi-4 모델이 박사 수준의 수학 및 과학 문제 해결 능력을 갖추고 있음을 시사합니다.
모델별 주요 특징 정리
Phi-4-reasoning
파라미터 수: 140억
기능: 고난이도 문제 추론, 웹 데이터와 o3-mini 모델의 데모 데이터를 통해 학습
용도: 다양한 분야에서 일반적인 고성능 추론이 필요한 환경
Phi-4-reasoning-plus
파라미터 수: 140억 (기본형과 동일)
강화학습을 통해 고도화, 1.5배의 토큰 처리로 정확도 향상
고정밀, 고신뢰 환경에서 사용
Phi-4-mini-reasoning
파라미터 수: 3.8억
특화 분야: 수학적 추론, 교육 목적
훈련 데이터: Deepseek-R1 기반의 합성 교육 데이터 사용
적용 분야: 모바일 기기, 로우파워 디바이스용
교육 분야에서의 혁신적 가능성
Phi-4-mini-reasoning 모델은 특히 교육 분야에 혁신을 불러올 가능성이 큽니다. 이 모델은 중학생부터 박사 과정 수준에 이르는 다양한 난이도의 수학 문제 100만 개 이상을 기반으로 훈련되었으며, 단순한 정답 제시가 아닌 문제 해결 과정을 단계별로 설명하는 능력을 보유하고 있습니다. 이는 단순 채점 도구가 아닌, 진정한 의미의 ‘튜터 AI’로서의 역할을 수행할 수 있음을 의미합니다.
또한 교사나 학습자는 해당 모델을 통해 각 학습자 수준에 맞는 문제를 즉시 생성하고, 그에 맞는 풀이 설명까지 받을 수 있으므로, 개별 맞춤형 교육이 가능해집니다. 이로 인해 AI 기반 에듀테크 시장의 성장이 가속화될 것으로 예상됩니다.
모델 훈련 방식의 진화
Phi-4 모델들은 전통적인 인간 주도 데이터 라벨링 대신, ‘합성 데이터(synthetic data)’를 적극 활용한 점이 눈에 띕니다. 이는 기존의 고비용/고시간 소요 방식에서 벗어나, AI가 AI를 훈련시키는 방식으로의 진화를 의미합니다. 예컨대, Deepseek-R1 모델이 ‘교사 모델(teacher AI)’로 활용되어 수많은 수학, 과학 문제를 생성하고, 이를 기반으로 Phi-4-mini가 훈련되었습니다. 이처럼 AI 생태계 내부에서의 순환형 학습 메커니즘은 앞으로 AI 훈련 효율성을 획기적으로 향상시킬 열쇠가 될 수 있습니다.
로컬 디바이스에서의 실행 가능성
기존 대형 모델들은 대규모 서버나 클라우드 환경이 필요했지만, Phi-4 시리즈는 경량화 덕분에 로컬 PC, 모바일 기기에서도 실행 가능하도록 설계되었습니다. 이는 데이터 프라이버시 보호와 실시간 반응성이 중요한 분야에서 특히 유리하게 작용할 수 있습니다. 예를 들어, 병원, 금융, 교육 기관에서 클라우드 접근 없이 로컬 시스템만으로 고성능 AI 활용이 가능해지는 것입니다.
마이크로소프트의 전략적 의미
마이크로소프트가 Phi-4 모델을 통해 추구하는 핵심 전략은 명확합니다. “적은 연산 자원으로도 강력한 AI 성능을 제공하자” 는 목표 아래, 사용자 친화적인 경량 고성능 모델을 꾸준히 개발하고 있다는 것입니다. 특히 HuggingFace, Azure AI Foundry를 통해 누구나 쉽게 접근하고 활용할 수 있도록 오픈웨이트로 공개한 점도 인상 깊습니다. 이는 AI 민주화(AI Democratization)라는 철학에 부합하며, 마이크로소프트의 오픈 전략이 빛을 발하는 부분입니다.
