Maaari ko bang patakbuhin ang Phi-4 nang lokal?

Oo — bukas ang weights sa ilalim ng MIT licence at makukuha sa Hugging Face sa microsoft/phi-4, kaya maaari mo itong patakbuhin nang lokal gamit ang mga tool tulad ng Ollama o LM Studio. Sa 14B parameters, karaniwang kailangan mo ng 12 hanggang 16 GB VRAM para sa komportableng inference.

Magkano ang gastos ng Phi-4 sa API?

Presyo ng Microsoft ay $0.07 kada milyon input tokens at $0.14 kada milyon output tokens, na kabilang sa mas murang hosted models; dahil MIT licence, maaari ka ring mag-self-host para maiwasan ang bayad kada token.

Paano naiiba ang Phi-4 sa mas malalaking modelo?

Pinagpalit ng Phi-4 ang raw scale para sa kalidad ng data: sinanay ito ng Microsoft gamit ang synthetic at curated academic data para maging mas mahusay sa reasoning tasks, kaya praktikal ito kapag hindi mo kayang maglaan ng memory o latency para sa 70B-class na modelo.

Phi 4

4099°

#llm #microsoft #pangangatwiran #matematika #pag-coding #lokal

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Microsoft | 16,384 token context | $0.07/M input, $0.14/M output. [Microsoft Research](/microsoft) Ang Phi-4 ay dinisenyo upang mahusay sa mga komplikadong gawain ng pangangatwiran at kayang gumana nang epektibo sa mga sitwasyon na may limitadong memorya o kung saan kailangan ng mabilis na tugon. Sa 14 bilyong...

Mga gabay para sa model na ito

Ollama vs LM Studio (2026): alin ang local AI app na gagamitin, at alin ang mga top models na pinapatakbo ng bawat isa

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Phi-4 ay isang 14-bilyong-parameter na text model mula sa Microsoft Research, na sinanay gamit ang maingat na piniling halo ng synthetic data, mga akademikong libro, at na-filter na web content, na may layuning mas pagbutihin ang kalidad ng reasoning kaysa sa raw scale. Ito ay nasa ilalim ng MIT licence, kaya maaari mong i-download ang weights at gamitin ito nang komersyal nang walang pahintulot. Kung kailangan mo ng isang mahusay na reasoning model na kasya sa isang consumer GPU, isa ito sa mga seryosong opsyon sa ganitong laki.

Kilalang-kilala sa

Malakas sa komplikadong reasoning kumpara sa 14B parameter count nito
MIT licence: maaaring i-download, baguhin, at gamitin nang komersyal nang walang kondisyon
Sina-train sa 9.8T tokens na may matinding diin sa kalidad ng data
Sapat ang kahusayan para sa memory-constrained o latency-sensitive na deployment
Supervised fine-tuning at direct preference optimisation para sa pagsunod sa instruction

Mag-ingat sa

Ang context window ay 16K tokens — maiksi ayon sa kasalukuyang pamantayan; hindi angkop para sa mahahabang dokumento.
Pangunahing Ingles; binanggit ng Microsoft na hindi ito partikular na nasuri para sa ibang mga wika.
Ang knowledge cutoff ay Hunyo 2024 o mas maaga; hindi kasama ang mga kamakailang pangyayari sa training data.

Pinakamainam para sa

Mga prompt na subukan

Multi-step logic puzzle

Limang tao — Alice, Ben, Cara, Dan at Eve — ang may tig-iisang alagang hayop: pusa, aso, isda, kuneho o loro. Hindi si Alice ang may isda. Si Ben ang may loro. Si Cara ang may kuneho. Hindi si Dan ang may pusa. Sino ang may isda, at sino ang may pusa? Ipakita ang iyong pag-iisip hakbang-hakbang.

Refactor for clarity

Ayusin ang Python function na ito para mas madaling basahin at hawakan ang kaso kung saan walang laman ang input list. Ipaliwanag ang bawat pagbabago at bakit ito nagpapabuti sa code. def calc(lst): t=0 for i in lst: t=t+i return t/len(lst)

Fermi estimate walkthrough

Tantiyahin kung ilan ang mga piano tuner sa isang lungsod na may dalawang milyong tao. Ipakita ang bawat palagay na gagawin mo, magbigay ng tinatayang bilang sa bawat isa, at ipakita kung paano sila pinagsama para sa panghuling pagtataya. Sabihin din kung alin sa mga palagay ang malamang na mali at sa anong direksyon.

Ihambing sa

Space Bunny Alpha
Modelong API lang
1,000,000 token na konteksto · libre gamitin
Solar Pro 4
Modelong API lang
524,288 token na konteksto · $0.09/M input, $0.36/M output
Gemini 2.5 Flash
Modelong API lang
1,048,576 token na konteksto · $0.30/M input, $2.50/M output
Qwen3 30B A3B Thinking 2507
Modelong API lang
81,920 token na konteksto · $0.20/M input, $2.40/M output

Higit pang mga text model mula sa microsoft

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Phi-4 nang lokal?: Oo — bukas ang weights sa ilalim ng MIT licence at makukuha sa Hugging Face sa microsoft/phi-4, kaya maaari mo itong patakbuhin nang lokal gamit ang mga tool tulad ng Ollama o LM Studio. Sa 14B parameters, karaniwang kailangan mo ng 12 hanggang 16 GB VRAM para sa komportableng inference.
Magkano ang gastos ng Phi-4 sa API?: Presyo ng Microsoft ay $0.07 kada milyon input tokens at $0.14 kada milyon output tokens, na kabilang sa mas murang hosted models; dahil MIT licence, maaari ka ring mag-self-host para maiwasan ang bayad kada token.
Paano naiiba ang Phi-4 sa mas malalaking modelo?: Pinagpalit ng Phi-4 ang raw scale para sa kalidad ng data: sinanay ito ng Microsoft gamit ang synthetic at curated academic data para maging mas mahusay sa reasoning tasks, kaya praktikal ito kapag hindi mo kayang maglaan ng memory o latency para sa 70B-class na modelo.

Hatol ng Kapitan
Isang tunay na kapaki-pakinabang na maliit na modelo kung mas mahalaga sa iyo ang kalidad ng reasoning kaysa sa haba ng context o saklaw ng wika.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Ministral 3 8B 2512

TEXT / LLM

Hunyuan A13B Instruct

TEXT / LLM

Qwen3.8 27B

TEXT / LLM

Llama 3.1 Nemotron 70B Instruct

TEXT / LLM

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Phi 4 ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm microsoft pangangatwiran matematika pag-coding lokal badyet

Mag-browse ayon sa pamilya ng model