Phi 4
4099°
Voer dit model uit
Aanbiedingen / Advertenties
Microsoft | 16.384 token context | $0.07/M input, $0.14/M output. [Microsoft Research](/microsoft) Phi-4 is ontworpen om goed te presteren bij complexe redeneertaken en kan efficiënt werken in situaties met beperkte geheugenruimte of waar snelle reacties nodig zijn. Met 14 miljard...
Gidsen voor dit model
Ollama vs LM Studio (2026): welke lokale AI-app gebruik je, en welke topmodellen draaien ze
Beste lokale LLM per gebruik (oktober 2026): het juiste open model voor elke klus
Hoeveel VRAM heb ik eigenlijk nodig voor lokale AI?
Wat is een GGUF-bestand? Uitleg over gekwantiseerde modellen (Q4, Q8, fp8, NF4)
Aantekeningen van de kapitein
Aantekeningen van 2026-10-13
Phi-4 is een tekstmodel met 14 miljard parameters van Microsoft Research, getraind op een zorgvuldig samengestelde mix van synthetische data, academische boeken en gefilterde webinhoud, met een bewuste focus op redeneerkwaliteit boven ruwe schaal. Het draait onder een MIT-licentie, dus je kunt de weights downloaden en commercieel gebruiken zonder toestemming te vragen. Als je een capabel redeneermodel nodig hebt dat op een enkele consumenten-GPU past, is dit een van de serieuzere opties in die grootte.
Bekend om
- Sterk in complexe redenering gezien het aantal van 14 miljard parameters
- MIT-licentie: downloaden, aanpassen en commercieel inzetten zonder beperkingen
- Getraind op 9,8 biljoen tokens met sterke nadruk op datakwaliteit
- Efficiënt genoeg voor geheugengeconstrueerde of latentiegevoelige toepassingen
- Supervised fine-tuning en directe voorkeuroptimalisatie voor instructievolging
Let op
- Contextvenster is 16K tokens — kort naar huidige maatstaven; niet geschikt voor lange documenten.
- Voornamelijk Engels; Microsoft waarschuwt dat het niet specifiek geëvalueerd is voor andere talen.
- Kennisafkapdatum is juni 2024 of eerder; recente gebeurtenissen staan niet in de trainingsdata.
Het beste voor
Prompts om te proberen
Meerstaps logische puzzel
Vijf mensen — Alice, Ben, Cara, Dan en Eve — hebben elk precies één huisdier: een kat, hond, vis, konijn of papegaai. Alice heeft niet de vis. Ben heeft de papegaai. Cara heeft het konijn. Dan heeft niet de kat. Wie heeft de vis en wie heeft de kat? Toon je redenering stap voor stap.
Refactor voor duidelijkheid
Refactor deze Python-functie zodat hij makkelijker te lezen is en het geval afhandelt waarin de invoerlijst leeg is. Leg elke wijziging uit en waarom die de code verbetert.
def calc(lst):
t=0
for i in lst:
t=t+i
return t/len(lst)
Fermi-schatting stap voor stap
Schat hoeveel pianostemmers er werken in een stad met twee miljoen inwoners. Loop elke aanname door, ken er een ruwe waarde aan toe en laat zien hoe ze samenkomen in een eindschatting. Zeg daarna welke aanname het meest waarschijnlijk fout is en in welke richting.
Vergelijk met
- Space Bunny AlphaAlleen API-model1,000,000 token context · gratis te gebruiken
- Solar Pro 4Alleen API-model524,288 token context · $0.09/M invoer, $0.36/M uitvoer
- Gemini 2.5 FlashAlleen API-model1,048,576 token context · $0.30/M invoer, $2.50/M uitvoer
- Qwen3 30B A3B Thinking 2507Alleen API-model81,920 token context · $0.20/M invoer, $2.40/M uitvoer
Meer tekstmodellen van microsoft
Veelgestelde vragen
- Kan ik Phi-4 lokaal draaien?
- Ja — de weights zijn open onder een MIT-licentie en beschikbaar op Hugging Face bij microsoft/phi-4, dus je kunt het lokaal draaien met tools als Ollama of LM Studio. Bij 14 miljard parameters heb je meestal 12 tot 16 GB VRAM nodig voor comfortabele inferentie.
- Wat kost Phi-4 via API?
- Microsoft rekent $0,07 per miljoen inputtokens en $0,14 per miljoen outputtokens, wat het aan de goedkope kant van gehoste modellen plaatst; de MIT-licentie betekent ook dat je zelf kunt hosten om per-token kosten helemaal te vermijden.
- Hoe verschilt Phi-4 van grotere modellen?
- Phi-4 ruilt ruwe schaal in voor datakwaliteit: Microsoft trainde het op synthetische en zorgvuldig geselecteerde academische data om beter te presteren dan zijn grootte doet vermoeden bij redeneertaken, wat het een praktische keuze maakt als je het geheugen of de latentie van een 70B-klasse model niet kunt veroorloven.
Oordeel van de kapiteinEen echt bruikbaar klein model als redeneerkwaliteit belangrijker is dan contextlengte of meertaligheid.
Modelkaart op Hugging Face
De kapitein schrijft deze aantekeningen op basis van de eigen beschrijving en modelkaart van het model. Prijzen en contextgroottes zijn die van de provider op het moment van schrijven en kunnen veranderen.
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.
Hoe deze score wordt opgebouwd
Dit model heeft nog geen populariteitsgegevens van welke bron dan ook, dus het krijgt een tijdelijke waarde onder 7,000° om de lijsten compleet te houden. Het staat nooit hoger dan een model met data. De uitsplitsing verschijnt hier zodra een bron het rapporteert.
Woordenlijst: de gebruikte termen
- Heat-score
- Één getal voor hoe veel een model nu gebruikt en gewenst wordt, van 0° tot 9.999°. Elke lijst op deze site die zegt heetste is gesorteerd op deze score en niets anders.
- Vloer
- De 7.000° waar elk model met echte data mee begint. De schaal loopt van 0° tot 9.999°; het deel onder de vloer is gereserveerd voor plaatsvervangers (modellen zonder data), zodat een model met data altijd hoger scoort dan een zonder. De vloer is voor iedereen gelijk en beslist niets; de graden erboven zijn de meting.
- Download-equivalenten
- Alles wat de score als een download telt, bij elkaar opgeteld: downloads zelf, elke torrent seeder als 1.000, elke AI Horde-afbeelding en elke run op een generatie-site als één.
- Logaritmische schaal
- Tellen per tien, niet per één: van 1.000 naar 10.000 downloads voegt evenveel graden toe als van 10.000 naar 100.000. Zo verdringen grote spelers niet alles.
- Likes
- Duimen omhoog en likes van elke bron, elk de helft van een download waard op de log-schaal.
- Adoptiesnelheid
- Hoeveel downloads een model nu per dag krijgt, uit het verschil tussen twee metingen van een bron. Een kwart van het gewicht van de downloadterm.
- Gemeten en geschat
- Gemeten betekent dat er twee metingen van een bron zijn en het verschil echt is. Geschat betekent dat alleen het totaal van vandaag bekend is en het verleden over de levensduur van het model wordt verdeeld; de site geeft aan welke het toont.
- Seeder
- Iemand die een kopie van de gewichten online houdt zodat anderen die via een torrent kunnen downloaden, of een gehoste mirror die hetzelfde doet. Elk telt als 1.000 downloads.
- AI Horde
- Een vrijwilligersnetwerk dat gratis beelden genereert op gedoneerde computers. Het aantal beelden dat het met een model heeft gemaakt is openbaar, en elk telt als één download.
- Generatiesites
- Sites die hun eigen kopieën van een model hosten en mensen laten genereren, zoals PixAI, SeaArt en Yodayo. Hun downloads tellen net als die van Civitai en elke generatie telt als één download.
- OpenRouter tokens
- Een tekstmodel dat via een API wordt aangeboden, zoals Claude of GPT, heeft geen gewichten om te downloaden, dus het gebruik wordt gemeten in tokens: de tekststukken die het las en schreef via OpenRouter, een gateway die veel apps gebruiken, in de afgelopen 30 dagen. Elke 10,000,000 tokens telt als één download. Bron: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- Volledig model (checkpoint)
- De gewichten zelf, het bestand dat zelfstandig genereert. Het krijgt een bonus omdat add-ons ervan afhangen.
- LoRA en embedding
- Kleine add-on bestanden die iemands gewichten sturen naar een stijl, een personage of een concept. Ze kunnen niet zelfstandig draaien.
- Familie en gewichten
- De basis waarop een model is gebouwd, zoals SD 1.5, SDXL, Flux of Wan. Elk model erft de releasedatum van de gewichten van zijn familie.
- Leeftijd
- Graden afgetrokken voor hoe lang geleden de gewichten van de familie uitkwamen: 150° per jaar, tot 750°. Het houdt oude downloads die jaren hadden om op te lopen door de top van de lijst te bevriezen.
- Familie boost
- Een kleine, begrensde duw voor LoRA's van een familie die deze site nu naar voren schuift, altijd vermeld in de uitsplitsing.
- Stand-in score
- Een stabiel getal onder de vloer gegeven aan een model waar nog geen bron over rapporteert, zodat lijsten compleet blijven. Het staat nooit hoger dan een model met data.
- Nieuw! (gratieperiode)
- Een model dat minder dan 7 dagen oud is, toont Nieuw! in plaats van een score en neemt geen plaats in de ranglijst in. De score wordt vanaf dag één berekend, maar een model van één dag oud groeit sneller dan wat dan ook, dus zonder de wachttijd zou de #1 van de week altijd het model zijn dat gisteren uitkwam in plaats van wat een week standhield.
- Trend
- Hoe de groei van een model over een periode zich verhoudt tot de typische groei van een model over dezelfde periode. Sneller dan typisch betekent stijging, langzamer betekent daling.
- Typisch model
- Het midden van de catalogus: de helft van de modellen met een cijfer groeide sneller over de periode, de andere helft langzamer.
Phi 4 is een tekstmodel voor de Text / LLM-familie, vermeld op ModelTrends.ai, een alleen-lezen catalogus van open source AI-modellen voor afbeeldingen, video en tekst. Vergelijk het met andere Text / LLM-modellen en bekijk de populariteitsscore om de trend te zien.
Bladeren op modelfamilie
Text / LLM-modellen
434
Anima-modellen
528
Chroma-modellen
19
Fibo-modellen
2
Flux-modellen
1,496
Flux 2 / Klein-modellen
1,239
Flux 3-modellen
3
Moss-modellen
3
Iris-modellen
1
MiniMax H3-modellen
364
Hunyuan-modellen
204
Ideogram-modellen
20
Krea2-modellen
717
Qwen-modellen
20
Qwen2-modellen
47
Ltx2-modellen
153