Bolehkah saya jalankan Phi-4 secara tempatan?

Ya — beratnya terbuka di bawah lesen MIT dan tersedia di Hugging Face di microsoft/phi-4, jadi anda boleh jalankan secara tempatan dengan alat seperti Ollama atau LM Studio. Dengan 14B parameter, anda biasanya memerlukan 12 hingga 16 GB VRAM untuk inferens yang selesa.

Berapa kos Phi-4 melalui API?

Microsoft mengenakan harga $0.07 per sejuta token input dan $0.14 per sejuta token output, yang menjadikannya antara model yang lebih murah; lesen MIT juga bermakna anda boleh hos sendiri untuk elak kos per token sepenuhnya.

Bagaimana Phi-4 berbeza daripada model yang lebih besar?

Phi-4 menukar skala mentah untuk kualiti data: Microsoft melatihnya pada data sintetik dan akademik yang dikurasi khusus untuk memberikan prestasi lebih baik pada tugasan pemikiran, menjadikannya pilihan praktikal apabila anda tidak mampu memori atau latensi model kelas 70B.

Phi 4

4099°

#llm #microsoft #penalaran #matematik #pengaturcaraan #tempatan

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Microsoft | konteks token 16,384 | $0.07/M input, $0.14/M output. [Microsoft Research](/microsoft) Phi-4 direka untuk berprestasi baik dalam tugasan penalaran kompleks dan boleh beroperasi dengan cekap dalam situasi dengan memori terhad atau di mana respons pantas diperlukan. Pada 14 bilion...

Panduan untuk model ini

Ollama vs LM Studio (2026): aplikasi AI tempatan mana yang patut digunakan, dan model teratas yang dijalankan oleh setiap satu

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Phi-4 adalah model teks 14 bilion parameter dari Microsoft Research, dilatih pada campuran data sintetik yang dikurasi dengan teliti, buku akademik, dan kandungan web yang ditapis, dengan fokus khusus pada kualiti pemikiran berbanding skala mentah. Ia dijalankan di bawah lesen MIT, jadi anda boleh muat turun beratnya dan menggunakannya secara komersial tanpa perlu minta kebenaran. Jika anda memerlukan model pemikiran yang mampu dan muat pada satu GPU pengguna, ini adalah salah satu pilihan serius pada saiz itu.

Dikenali untuk

Pemikiran kompleks yang kuat berbanding bilangan parameter 14B
Lesen MIT: muat turun, ubah suai dan guna secara komersial tanpa syarat
Dilatih pada 9.8T token dengan penekanan berat pada kualiti data
Cukup cekap untuk penggunaan memori terhad atau pelaksanaan sensitif latensi
Penalaan halus berperingkat dan pengoptimuman keutamaan langsung untuk mengikuti arahan

Berhati-hati dengan

Tetingkap konteks 16K token — pendek mengikut piawaian semasa; tidak sesuai untuk dokumen panjang.
Terutamanya Bahasa Inggeris; Microsoft menegaskan ia tidak dinilai khusus untuk bahasa lain.
Had pengetahuan adalah Jun 2024 atau lebih awal; peristiwa terkini tidak termasuk dalam data latihannya.

Terbaik untuk

Penalaran

Matematik

Pengaturcaraan

Jalankan secara tempatan

Bajet

Arahan untuk cuba

Teka-teki logik berbilang langkah

Lima orang — Alice, Ben, Cara, Dan dan Eve — masing-masing memiliki tepat satu haiwan peliharaan: kucing, anjing, ikan, arnab atau burung kakak tua. Alice tidak memiliki ikan. Ben memiliki burung kakak tua. Cara memiliki arnab. Dan tidak memiliki kucing. Siapa yang memiliki ikan, dan siapa yang memiliki kucing? Tunjukkan pemikiran anda langkah demi langkah.

Refaktor untuk kejelasan

Refaktor fungsi Python ini supaya lebih mudah dibaca dan mengendalikan kes di mana senarai input kosong. Terangkan setiap perubahan yang anda buat dan mengapa ia memperbaiki kod. def calc(lst): t=0 for i in lst: t=t+i return t/len(lst)

Penjelasan anggaran Fermi

Anggarkan berapa ramai penyetel piano bekerja di sebuah bandar dengan dua juta penduduk. Terangkan setiap andaian yang anda buat, berikan nombor anggaran untuk setiap satu, dan tunjukkan bagaimana ia digabungkan menjadi anggaran akhir. Kemudian nyatakan andaian mana yang paling mungkin salah dan ke arah mana.

Bandingkan dengan

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

Lebih banyak model teks dari microsoft

Soalan yang sering ditanya

Bolehkah saya jalankan Phi-4 secara tempatan?: Ya — beratnya terbuka di bawah lesen MIT dan tersedia di Hugging Face di microsoft/phi-4, jadi anda boleh jalankan secara tempatan dengan alat seperti Ollama atau LM Studio. Dengan 14B parameter, anda biasanya memerlukan 12 hingga 16 GB VRAM untuk inferens yang selesa.
Berapa kos Phi-4 melalui API?: Microsoft mengenakan harga $0.07 per sejuta token input dan $0.14 per sejuta token output, yang menjadikannya antara model yang lebih murah; lesen MIT juga bermakna anda boleh hos sendiri untuk elak kos per token sepenuhnya.
Bagaimana Phi-4 berbeza daripada model yang lebih besar?: Phi-4 menukar skala mentah untuk kualiti data: Microsoft melatihnya pada data sintetik dan akademik yang dikurasi khusus untuk memberikan prestasi lebih baik pada tugasan pemikiran, menjadikannya pilihan praktikal apabila anda tidak mampu memori atau latensi model kelas 70B.

Keputusan Kapten
Model kecil yang benar-benar berguna jika kualiti pemikiran lebih penting bagi anda daripada panjang konteks atau keluasan pelbagai bahasa.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh 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 dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Model AI untuk penjanaan imej, video dan teks

Phi 4 ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm microsoft penalaran matematik pengaturcaraan tempatan bajet

Layari mengikut keluarga model