Czy mogę uruchomić Phi-4 lokalnie?

Tak — wagi są otwarte na licencji MIT i dostępne na Hugging Face pod microsoft/phi-4, więc możesz uruchomić go lokalnie za pomocą narzędzi takich jak Ollama lub LM Studio. Przy 14 miliardach parametrów zazwyczaj potrzebujesz 12 do 16 GB VRAM do wygodnej inferencji.

Ile kosztuje Phi-4 przez API?

Microsoft wycenia go na 0,07 USD za milion tokenów wejściowych i 0,14 USD za milion tokenów wyjściowych, co plasuje go w tańszej części modeli hostowanych; licencja MIT pozwala też na samodzielne hostowanie, by całkowicie uniknąć kosztów za tokeny.

Czym Phi-4 różni się od większych modeli?

Phi-4 wymienia surową skalę na jakość danych: Microsoft trenował go na danych syntetycznych i starannie dobranych akademickich, aby osiągał lepsze wyniki w zadaniach rozumowania, co czyni go praktycznym wyborem, gdy nie stać cię na pamięć lub opóźnienia modelu klasy 70B.

Phi 4

4099°

#llm #microsoft #rozumowanie #matematyka #kodowanie #lokalny

Uruchom model

Oferty / Reklamy

OpenRouter Terminal / API

Płać za token

Rozmawiaj z tym modelem w przeglądarce lub wywołuj go z kodu za pomocą jednego klucza API.

Microsoft | kontekst 16 384 tokenów | 0,07 USD/M za wejście, 0,14 USD/M za wyjście. [Microsoft Research](/microsoft) Phi-4 jest zaprojektowany, aby dobrze radzić sobie w złożonych zadaniach rozumowania i może działać efektywnie w sytuacjach z ograniczoną pamięcią lub tam, gdzie potrzebne są szybkie odpowiedzi. Przy 14 miliardach...

Poradniki do tego modelu

Ollama vs LM Studio (2026): którą lokalną aplikację AI wybrać i które topowe modele obsługuje każda z nich

Najlepsze lokalne LLM według zastosowania (październik 2026): odpowiedni otwarty model do każdego zadania

Ile VRAM naprawdę potrzebuję do lokalnej AI?

Co to jest plik GGUF? Wyjaśnienie modeli kwantyzowanych (Q4, Q8, fp8, NF4)

Wszystkie poradniki

Notatki kapitana

Napisane przez Captain, redaktora domu

Notatki z 2026-10-13

Phi-4 to model tekstowy o 14 miliardach parametrów od Microsoft Research, trenowany na starannie dobranej mieszance danych syntetycznych, książek akademickich i filtrowanej zawartości internetowej, z celowym naciskiem na jakość rozumowania zamiast surowej skali. Działa na licencji MIT, więc możesz pobrać wagi i używać ich komercyjnie bez pytania o pozwolenie. Jeśli potrzebujesz zdolnego modelu rozumowania mieszczącego się na pojedynczej konsumenckiej karcie GPU, to jedna z poważniejszych opcji w tej klasie.

Znany z

Silne rozumowanie złożone w stosunku do 14 miliardów parametrów
Licencja MIT: pobieraj, modyfikuj i wdrażaj komercyjnie bez ograniczeń
Trenowany na 9,8 biliona tokenów z dużym naciskiem na jakość danych
Wystarczająco wydajny do wdrożeń z ograniczoną pamięcią lub wrażliwych na opóźnienia
Nadzorowane dostrajanie i bezpośrednia optymalizacja preferencji do podążania za instrukcjami

Uważaj na

Okno kontekstowe ma 16 tysięcy tokenów — krótko według obecnych standardów; nie nadaje się do długich dokumentów.
Głównie angielski; Microsoft zaznacza, że nie był specjalnie oceniany pod kątem innych języków.
Data odcięcia wiedzy to czerwiec 2024 lub wcześniej; najnowsze wydarzenia nie są w danych treningowych.

Najlepszy do

Podpowiedzi do wypróbowania

Wieloetapowa zagadka logiczna

Pięć osób — Alice, Ben, Cara, Dan i Eve — ma po jednym zwierzęciu: kota, psa, rybkę, królika lub papugę. Alice nie ma rybki. Ben ma papugę. Cara ma królika. Dan nie ma kota. Kto ma rybkę, a kto kota? Pokaż rozumowanie krok po kroku.

Refaktoryzacja dla jasności

Przepisz tę funkcję Pythona tak, aby była łatwiejsza do czytania i obsługiwała przypadek pustej listy wejściowej. Wyjaśnij każdą zmianę i dlaczego poprawia kod. def calc(lst): t=0 for i in lst: t=t+i return t/len(lst)

Przewodnik po estymacji Fermiego

Oszacuj, ilu stroicieli fortepianów pracuje w mieście o dwóch milionach mieszkańców. Przeprowadź każdą założoną wartość, przypisz przybliżoną liczbę do każdego założenia i pokaż, jak łączą się w ostateczną estymację. Następnie powiedz, które założenie jest najbardziej prawdopodobne do błędu i w jakim kierunku.

Porównaj z

Space Bunny Alpha
Model tylko z API
Kontekst 1,000,000 tokenów · darmowy w użyciu
Solar Pro 4
Model tylko z API
Kontekst 524,288 tokenów · $0.09/M wejście, $0.36/M wyjście
Gemini 2.5 Flash
Model tylko z API
Kontekst 1,048,576 tokenów · $0.30/M wejście, $2.50/M wyjście
Qwen3 30B A3B Thinking 2507
Model tylko z API
Kontekst 81,920 tokenów · $0.20/M wejście, $2.40/M wyjście

Więcej modeli tekstowych od microsoft

Pytania, które ludzie zadają

Czy mogę uruchomić Phi-4 lokalnie?: Tak — wagi są otwarte na licencji MIT i dostępne na Hugging Face pod microsoft/phi-4, więc możesz uruchomić go lokalnie za pomocą narzędzi takich jak Ollama lub LM Studio. Przy 14 miliardach parametrów zazwyczaj potrzebujesz 12 do 16 GB VRAM do wygodnej inferencji.
Ile kosztuje Phi-4 przez API?: Microsoft wycenia go na 0,07 USD za milion tokenów wejściowych i 0,14 USD za milion tokenów wyjściowych, co plasuje go w tańszej części modeli hostowanych; licencja MIT pozwala też na samodzielne hostowanie, by całkowicie uniknąć kosztów za tokeny.
Czym Phi-4 różni się od większych modeli?: Phi-4 wymienia surową skalę na jakość danych: Microsoft trenował go na danych syntetycznych i starannie dobranych akademickich, aby osiągał lepsze wyniki w zadaniach rozumowania, co czyni go praktycznym wyborem, gdy nie stać cię na pamięć lub opóźnienia modelu klasy 70B.

Wyrok kapitana
Naprawdę użyteczny mały model, jeśli jakość rozumowania jest dla ciebie ważniejsza niż długość kontekstu czy wielojęzyczność.

Karta modelu na Hugging Face

Kapitan pisze te notatki na podstawie opisu modelu i karty modelu. Ceny i rozmiary kontekstu pochodzą od dostawcy w momencie pisania i mogą się zmieniać.

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

Jak ten wynik się sumuje

Ten model nie ma jeszcze danych o popularności z żadnego źródła, więc ma zastępczą wartość poniżej 7,000°, która pozwala utrzymać kompletność list. Nigdy nie zajmuje wyższej pozycji niż model z danymi. Szczegóły pojawią się tutaj, gdy tylko jakieś źródło je zgłosi.

Słowniczek: używane tu terminy

Wynik heat: Jedna liczba pokazująca, jak bardzo model jest używany i pożądany teraz, od 0° do 9,999°. Każda lista na tej stronie z napisem hottest jest sortowana według tego i niczego innego.
Podstawa: 7,000° to punkt startowy dla każdego modelu z prawdziwymi danymi. Skala idzie od 0° do 9,999°; część poniżej podstawy jest zarezerwowana dla zastępczych modeli (bez danych), żeby model z danymi zawsze był wyżej. Podstawa jest taka sama dla wszystkich i nic nie decyduje; stopnie powyżej niej to właściwy pomiar.
Równoważniki pobrań: Wszystko, co wynik traktuje jak pobranie, zsumowane: same pobrania, każdy seeder torrenta jako 1,000, każde AI Horde zdjęcie i każde uruchomienie na stronie generującej jako jedno.
Skala logarytmiczna: Liczenie co dziesięć, nie co jeden: przejście z 1,000 do 10,000 pobrań dodaje tyle samo stopni, co z 10,000 do 100,000. Zapobiega to dominacji gigantów nad resztą.
Polubienia: Kciuki w górę i polubienia ze wszystkich źródeł, warte połowę pobrania na skali logarytmicznej.
Tempo adopcji: Ile pobrań dziennie model ma teraz, na podstawie różnicy między dwoma odczytami źródła. Ćwierć wagi terminu pobrania.
Zmierzony i szacowany: Zmierzony oznacza, że istnieją dwa odczyty źródła i różnica jest rzeczywista. Szacowany oznacza, że znana jest tylko dzisiejsza suma, a przeszłość jest rozłożona na czas życia modelu; strona mówi, który z nich pokazuje.
Seeder: Ktoś, kto trzyma kopię wag online, aby inni mogli je pobrać przez torrent, albo hostowany mirror robiący to samo. Każdy taki liczy się jako 1 000 pobrań.
AI Horde: Sieć wolontariuszy, która generuje obrazy za darmo na komputerach darczyńców. Liczba obrazów wygenerowanych z modelem jest publiczna i każde liczy się jako jedno pobranie.
Strony generujące: Strony, które mają własne kopie modelu i pozwalają ludziom generować z nim obrazy, takie jak PixAI, SeaArt i Yodayo. Ich pobrania liczą się jak na Civitai, a każde uruchomienie generowania to jedno pobranie.
Tokeny OpenRouter: Model tekstowy obsługiwany przez API, taki jak Claude czy GPT, nie ma wag do pobrania, więc jego użycie mierzy się tokenami: fragmentami tekstu, które przeczytał i napisał przez OpenRouter, bramkę używaną przez wiele aplikacji, w ciągu ostatnich 30 dni. Każde 10,000,000 tokenów liczy się jako jedno pobranie. Źródło: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Pełny model (checkpoint): Same wagi, plik, który generuje samodzielnie. Dostaje bonus, bo dodatki od niego zależą.
LoRA i embedding: Małe pliki dodatków, które kierują czyjeś wagi w stronę stylu, postaci lub koncepcji. Nie mogą działać samodzielnie.
Rodzina i wagi: Podstawa, na której zbudowano model, np. SD 1.5, SDXL, Flux lub Wan. Każdy model dziedziczy datę wydania wag swojej rodziny.
Wiek: Stopnie odejmowane za to, jak dawno wyszły wagi rodziny: 150° za rok, do 750°. Zachowuje stare pobrania, które miały lata na narastanie, zamrażając szczyt listy.
Wzmocnienie rodziny: Małe, ograniczone wsparcie dla LoRA z rodziny, którą ta strona teraz promuje, zawsze podane w rozbiciu.
Wynik zastępczy: Stabilna liczba poniżej minimum, przyznawana modelowi, o którym jeszcze nie ma danych źródłowych, żeby listy były kompletne. Nigdy nie jest wyżej niż model z danymi.
Nowy! (okres karencji): Model młodszy niż 7 dni pokazuje Nowy! zamiast wyniku i nie zajmuje miejsca w rankingu. Jego wynik jest liczony od pierwszego dnia, ale model jednodniowy rośnie najszybciej, więc bez oczekiwania #1 tygodnia byłby zawsze tym, który pojawił się wczoraj, a nie tym, który utrzymał się przez tydzień.
Trend: Jak wzrost modelu w danym okresie wypada na tle typowego wzrostu modelu w tym samym czasie. Szybszy niż zwykle to wzrost, wolniejszy to spadek.
Typowy model: Środek katalogu: połowa modeli z danymi rosła szybciej w tym okresie, połowa wolniej.

Podobne modele

Muse Spark 1.2 Contributor

TEXT / LLM

DeepSeek V3

TEXT / LLM

Modele AI do generowania obrazów, wideo i tekstu

Phi 4 to model tekstowy z rodziny Text / LLM wymieniony na ModelTrends.ai, katalogu tylko do odczytu otwartych modeli AI do obrazów, wideo i tekstu. Porównaj go z innymi modelami Text / LLM i sprawdź wynik popularności, aby zobaczyć trend.

Więcej modeli Text / LLM Więcej Text / LLM Tekst / LLM llm microsoft rozumowanie matematyka kodowanie lokalny budżet

Przeglądaj według rodziny modeli