Puis-je exécuter Phi-4 localement ?

Oui — les poids sont ouverts sous licence MIT et disponibles sur Hugging Face à microsoft/phi-4, vous pouvez donc l'exécuter localement avec des outils comme Ollama ou LM Studio. Avec 14 milliards de paramètres, vous aurez généralement besoin de 12 à 16 Go de VRAM pour une inférence confortable.

Quel est le coût de Phi-4 via API ?

Microsoft le facture à 0,07 $ par million de tokens en entrée et 0,14 $ par million de tokens en sortie, ce qui le place parmi les modèles hébergés les moins chers ; la licence MIT permet aussi l'auto-hébergement pour éviter totalement les coûts par token.

En quoi Phi-4 diffère-t-il des modèles plus grands ?

Phi-4 privilégie la qualité des données à la simple échelle : Microsoft l'a entraîné sur des données synthétiques et académiques sélectionnées pour exceller en raisonnement, ce qui en fait un choix pratique quand vous ne pouvez pas vous permettre la mémoire ou la latence d'un modèle de classe 70B.

Phi 4

4099°

#llm #microsoft #raisonnement #mathématiques #programmation #local

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Microsoft | contexte de 16 384 tokens | 0,07 $/M en entrée, 0,14 $/M en sortie. [Microsoft Research](/microsoft) Phi-4 est conçu pour bien performer dans les tâches de raisonnement complexes et peut fonctionner efficacement dans des situations avec une mémoire limitée ou nécessitant des réponses rapides. Avec 14 milliards...

Guides pour ce modèle

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Phi-4 est un modèle textuel de 14 milliards de paramètres développé par Microsoft Research, entraîné sur un mélange soigneusement sélectionné de données synthétiques, d'ouvrages académiques et de contenus web filtrés, avec un accent délibéré sur la qualité du raisonnement plutôt que sur la simple échelle. Il est sous licence MIT, vous pouvez donc télécharger les poids et les utiliser commercialement sans demander d'autorisation. Si vous cherchez un modèle de raisonnement performant qui tient sur un GPU grand public, c'est l'une des options sérieuses à cette taille.

Connu pour

Fort raisonnement complexe par rapport à ses 14 milliards de paramètres
Licence MIT : téléchargement, modification et déploiement commercial sans contraintes
Entraîné sur 9,8T tokens avec un fort accent sur la qualité des données
Assez efficace pour des déploiements à mémoire limitée ou sensibles à la latence
Affinage supervisé et optimisation directe des préférences pour le suivi d'instructions

Attention à

Fenêtre de contexte de 16K tokens — courte selon les standards actuels ; pas adaptée aux documents longs.
Principalement anglophone ; Microsoft signale qu'il n'a pas été spécifiquement évalué pour d'autres langues.
Date de coupure des connaissances en juin 2024 ou avant ; les événements récents ne sont pas dans ses données d'entraînement.

Idéal pour

Raisonnement

Mathématiques

Programmation

Fonctionne localement

Budget

Prompts à essayer

Énigme logique multi-étapes

Cinq personnes — Alice, Ben, Cara, Dan et Eve — possèdent chacune un animal de compagnie : un chat, un chien, un poisson, un lapin ou un perroquet. Alice ne possède pas le poisson. Ben possède le perroquet. Cara possède le lapin. Dan ne possède pas le chat. Qui possède le poisson et qui possède le chat ? Montrez votre raisonnement étape par étape.

Refactorisation pour plus de clarté

Refactorez cette fonction Python pour qu'elle soit plus lisible et gère le cas où la liste d'entrée est vide. Expliquez chaque changement effectué et pourquoi il améliore le code. def calc(lst): t=0 for i in lst: t=t+i return t/len(lst)

Estimation Fermi détaillée

Estimez combien de réglages de piano travaillent dans une ville de deux millions d'habitants. Parcourez chaque hypothèse que vous faites, attribuez un nombre approximatif à chacune, et montrez comment elles se combinent en une estimation finale. Indiquez ensuite quelle hypothèse est la plus susceptible d'être erronée et dans quelle direction.

Comparer avec

Space Bunny Alpha
Modèle uniquement API
Contexte de 1,000,000 tokens · gratuit à utiliser
Solar Pro 4
Modèle uniquement API
Contexte de 524,288 tokens · entrée $0.09/M, sortie $0.36/M
Gemini 2.5 Flash
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.30/M, sortie $2.50/M
Qwen3 30B A3B Thinking 2507
Modèle uniquement API
Contexte de 81,920 tokens · entrée $0.20/M, sortie $2.40/M

Plus de modèles de texte de microsoft

Questions fréquentes

Puis-je exécuter Phi-4 localement ?: Oui — les poids sont ouverts sous licence MIT et disponibles sur Hugging Face à microsoft/phi-4, vous pouvez donc l'exécuter localement avec des outils comme Ollama ou LM Studio. Avec 14 milliards de paramètres, vous aurez généralement besoin de 12 à 16 Go de VRAM pour une inférence confortable.
Quel est le coût de Phi-4 via API ?: Microsoft le facture à 0,07 $ par million de tokens en entrée et 0,14 $ par million de tokens en sortie, ce qui le place parmi les modèles hébergés les moins chers ; la licence MIT permet aussi l'auto-hébergement pour éviter totalement les coûts par token.
En quoi Phi-4 diffère-t-il des modèles plus grands ?: Phi-4 privilégie la qualité des données à la simple échelle : Microsoft l'a entraîné sur des données synthétiques et académiques sélectionnées pour exceller en raisonnement, ce qui en fait un choix pratique quand vous ne pouvez pas vous permettre la mémoire ou la latence d'un modèle de classe 70B.

Verdict du capitaine
Un petit modèle réellement utile si la qualité du raisonnement compte plus que la longueur du contexte ou la couverture multilingue.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Qwen3.8 27B

TEXT / LLM

Meta Llama 3 70B Instruct

Modèles d'IA pour générer image, vidéo et texte

Phi 4 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm microsoft raisonnement mathématiques programmation local budget

Parcourir par famille de modèles