Bisakah saya menjalankan Phi-4 secara lokal?

Ya — bobotnya terbuka di bawah lisensi MIT dan tersedia di Hugging Face di microsoft/phi-4, jadi Anda bisa menjalankannya secara lokal dengan alat seperti Ollama atau LM Studio. Dengan 14B parameter, Anda biasanya membutuhkan 12 hingga 16 GB VRAM untuk inferensi yang nyaman.

Berapa biaya Phi-4 melalui API?

Microsoft menetapkan harga $0,07 per juta token input dan $0,14 per juta token output, yang membuatnya termasuk model hosting termurah; lisensi MIT juga memungkinkan Anda meng-host sendiri untuk menghindari biaya per token sepenuhnya.

Apa bedanya Phi-4 dengan model yang lebih besar?

Phi-4 menukar skala mentah dengan kualitas data: Microsoft melatihnya pada data sintetis dan akademik yang dikurasi khusus untuk memberikan performa lebih pada tugas penalaran, menjadikannya pilihan praktis saat Anda tidak mampu memori atau latensi model kelas 70B.

Phi 4

4099°

#llm #microsoft #penalaran #matematika #pemrograman #lokal

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Microsoft | konteks 16.384 token | $0,07/M input, $0,14/M output. [Microsoft Research](/microsoft) Phi-4 dirancang untuk berkinerja baik dalam tugas penalaran kompleks dan dapat beroperasi secara efisien dalam situasi dengan memori terbatas atau saat dibutuhkan respons cepat. Dengan ukuran 14 miliar...

Panduan untuk model ini

Ollama vs LM Studio (2026): aplikasi AI lokal mana yang harus digunakan, dan model top mana yang dijalankan masing-masing

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Phi-4 adalah model teks 14 miliar parameter dari Microsoft Research, dilatih dengan campuran data sintetis yang dikurasi dengan hati-hati, buku akademik, dan konten web yang disaring, dengan fokus sengaja pada kualitas penalaran daripada skala mentah. Model ini berjalan di bawah lisensi MIT, jadi Anda dapat mengunduh bobotnya dan menggunakannya secara komersial tanpa izin. Jika Anda membutuhkan model penalaran yang mumpuni yang muat di satu GPU konsumen, ini adalah salah satu opsi serius di ukuran tersebut.

Dikenal untuk

Penalaran kompleks yang kuat relatif terhadap jumlah parameter 14B
Lisensi MIT: unduh, modifikasi, dan gunakan secara komersial tanpa syarat
Dilatih pada 9,8T token dengan penekanan berat pada kualitas data
Cukup efisien untuk deployment dengan keterbatasan memori atau sensitif latensi
Fine-tuning terawasi dan optimasi preferensi langsung untuk mengikuti instruksi

Waspadai

Jendela konteks 16K token — pendek menurut standar saat ini; tidak cocok untuk dokumen panjang.
Utamanya bahasa Inggris; Microsoft menandai bahwa model ini tidak dievaluasi khusus untuk bahasa lain.
Batas pengetahuan adalah Juni 2024 atau sebelumnya; peristiwa terbaru tidak ada dalam data latihannya.

Terbaik untuk

Penalaran

Matematika

Pemrograman

Jalankan secara lokal

Anggaran

Prompt untuk dicoba

Teka-teki logika berlangkah-langkah

Lima orang — Alice, Ben, Cara, Dan, dan Eve — masing-masing memiliki tepat satu hewan peliharaan: kucing, anjing, ikan, kelinci, atau burung nuri. Alice tidak memelihara ikan. Ben memelihara burung nuri. Cara memelihara kelinci. Dan tidak memelihara kucing. Siapa yang memelihara ikan, dan siapa yang memelihara kucing? Tunjukkan penalaran Anda langkah demi langkah.

Refaktor untuk kejelasan

Refaktor fungsi Python ini agar lebih mudah dibaca dan menangani kasus ketika daftar input kosong. Jelaskan setiap perubahan yang Anda buat dan mengapa itu memperbaiki kode. def calc(lst): t=0 for i in lst: t=t+i return t/len(lst)

Penjelasan perkiraan Fermi

Perkirakan berapa banyak penyetel piano yang bekerja di kota dengan dua juta penduduk. Jelaskan setiap asumsi yang Anda buat, berikan angka kasar untuk masing-masing, dan tunjukkan bagaimana mereka digabungkan menjadi perkiraan akhir. Kemudian katakan asumsi mana yang paling mungkin salah dan ke arah mana.

Bandingkan dengan

Space Bunny Alpha
Model hanya API
konteks 1,000,000 token · gratis digunakan
Solar Pro 4
Model hanya API
konteks 524,288 token · $0.09/M input, $0.36/M output
Gemini 2.5 Flash
Model hanya API
konteks 1,048,576 token · $0.30/M input, $2.50/M output
Qwen3 30B A3B Thinking 2507
Model hanya API
konteks 81,920 token · $0.20/M input, $2.40/M output

Model teks lain dari microsoft

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Phi-4 secara lokal?: Ya — bobotnya terbuka di bawah lisensi MIT dan tersedia di Hugging Face di microsoft/phi-4, jadi Anda bisa menjalankannya secara lokal dengan alat seperti Ollama atau LM Studio. Dengan 14B parameter, Anda biasanya membutuhkan 12 hingga 16 GB VRAM untuk inferensi yang nyaman.
Berapa biaya Phi-4 melalui API?: Microsoft menetapkan harga $0,07 per juta token input dan $0,14 per juta token output, yang membuatnya termasuk model hosting termurah; lisensi MIT juga memungkinkan Anda meng-host sendiri untuk menghindari biaya per token sepenuhnya.
Apa bedanya Phi-4 dengan model yang lebih besar?: Phi-4 menukar skala mentah dengan kualitas data: Microsoft melatihnya pada data sintetis dan akademik yang dikurasi khusus untuk memberikan performa lebih pada tugas penalaran, menjadikannya pilihan praktis saat Anda tidak mampu memori atau latensi model kelas 70B.

Putusan Kapten
Model kecil yang benar-benar berguna jika kualitas penalaran lebih penting bagi Anda daripada panjang konteks atau cakupan multibahasa.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

Llama 4 Scout 17B 16E Instruct

Model AI untuk Pembuatan Gambar, Video & Teks

Phi 4 adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm microsoft penalaran matematika pemrograman lokal anggaran

Jelajahi berdasarkan Keluarga Model