Kan jag köra Phi-4 lokalt?

Ja — vikterna är öppna under MIT-licens och finns tillgängliga på Hugging Face under microsoft/phi-4, så du kan köra den lokalt med verktyg som Ollama eller LM Studio. Med 14 miljarder parametrar vill du vanligtvis ha 12 till 16 GB VRAM för bekväm inferens.

Vad kostar Phi-4 via API?

Microsoft tar $0,07 per miljon ingående token och $0,14 per miljon utgående token, vilket placerar den i den billigare änden av hostade modeller; MIT-licensen innebär också att du kan självhosta för att helt undvika per-token-kostnader.

Hur skiljer sig Phi-4 från större modeller?

Phi-4 byter rå skala mot datakvalitet: Microsoft tränade den på syntetiska och kurerade akademiska data specifikt för att prestera bättre än sin storlek på resonemangsuppgifter, vilket gör den till ett praktiskt val när du inte har råd med minne eller latens för en 70B-klassmodell.

Phi 4

4099°

#llm #microsoft #resonemang #matematik #kodning #lokal

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Microsoft | 16,384 token kontext | $0.07/M input, $0.14/M output. [Microsoft Research](/microsoft) Phi-4 är designad för att prestera väl i komplexa resonemangsuppgifter och kan arbeta effektivt i situationer med begränsat minne eller där snabba svar krävs. Med 14 miljarder...

Guider för denna modell

Ollama vs LM Studio (2026): vilken lokal AI-app du ska använda och vilka toppmodeller varje kör

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Phi-4 är en textmodell med 14 miljarder parametrar från Microsoft Research, tränad på en noggrant kurerad blandning av syntetiska data, akademiska böcker och filtrerat webbinnehåll, med ett medvetet fokus på resonemangskvalitet framför rå skala. Den körs under MIT-licens, så du kan ladda ner vikterna och använda dem kommersiellt utan att be om tillstånd. Om du behöver en kapabel resonemangsmodell som får plats på ett vanligt konsument-GPU är detta ett av de mer seriösa alternativen i den storleken.

Känd för

Starkt komplext resonemang i förhållande till sina 14 miljarder parametrar
MIT-licens: ladda ner, modifiera och använd kommersiellt utan begränsningar
Tränad på 9,8 biljoner token med stort fokus på datakvalitet
Tillräckligt effektiv för minnesbegränsade eller latenskänsliga implementationer
Övervakad finjustering och direkt preferensoptimering för instruktioner

Se upp för

Kontextfönstret är 16 000 token — kort enligt dagens standard; inte lämpad för långa dokument.
Främst engelska; Microsoft varnar för att den inte specifikt utvärderats för andra språk.
Kunskapsavgränsning är juni 2024 eller tidigare; nyare händelser finns inte i träningsdata.

Bäst för

Promptar att prova

Flerstegs logikpussel

Fem personer — Alice, Ben, Cara, Dan och Eve — äger varsin husdjur: en katt, hund, fisk, kanin eller papegoja. Alice äger inte fisken. Ben äger papegojan. Cara äger kaninen. Dan äger inte katten. Vem äger fisken och vem äger katten? Visa ditt resonemang steg för steg.

Refaktorera för tydlighet

Refaktorera denna Python-funktion så att den blir lättare att läsa och hanterar fallet när inmatningslistan är tom. Förklara varje ändring du gör och varför den förbättrar koden. def calc(lst): t=0 for i in lst: t=t+i return t/len(lst)

Fermi-uppskattning steg för steg

Uppskatta hur många pianostämmare som arbetar i en stad med två miljoner invånare. Gå igenom varje antagande du gör, ge ett ungefärligt värde för varje och visa hur de kombineras till en slutgiltig uppskattning. Säg sedan vilket antagande som mest sannolikt är fel och i vilken riktning.

Jämför med

Space Bunny Alpha
Endast API-modell
1,000,000 tokens kontext · gratis att använda
Solar Pro 4
Endast API-modell
524,288 tokens kontext · $0.09/M indata, $0.36/M utdata
Gemini 2.5 Flash
Endast API-modell
1,048,576 tokens kontext · $0.30/M indata, $2.50/M utdata
Qwen3 30B A3B Thinking 2507
Endast API-modell
81,920 tokens kontext · $0.20/M indata, $2.40/M utdata

Fler textmodeller från microsoft

Vanliga frågor

Kan jag köra Phi-4 lokalt?: Ja — vikterna är öppna under MIT-licens och finns tillgängliga på Hugging Face under microsoft/phi-4, så du kan köra den lokalt med verktyg som Ollama eller LM Studio. Med 14 miljarder parametrar vill du vanligtvis ha 12 till 16 GB VRAM för bekväm inferens.
Vad kostar Phi-4 via API?: Microsoft tar $0,07 per miljon ingående token och $0,14 per miljon utgående token, vilket placerar den i den billigare änden av hostade modeller; MIT-licensen innebär också att du kan självhosta för att helt undvika per-token-kostnader.
Hur skiljer sig Phi-4 från större modeller?: Phi-4 byter rå skala mot datakvalitet: Microsoft tränade den på syntetiska och kurerade akademiska data specifikt för att prestera bättre än sin storlek på resonemangsuppgifter, vilket gör den till ett praktiskt val när du inte har råd med minne eller latens för en 70B-klassmodell.

Kaptens omdöme
En verkligt användbar liten modell om resonemangskvalitet är viktigare för dig än kontextlängd eller flerspråkig bredd.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Phi 4 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm microsoft resonemang matematik kodning lokal budget

Bläddra efter modellfamilj