Robocikowo>ROBOCIKOWO
Phi-4
Modele AI›Phi

Phi-4

4 · Rodzina: Phi
Otwarty (MIT) maly model jezykowy Microsoftu: 14B parametrow (dense, decoder-only), tylko tekst, kontekst 16K; trenowany m.in. na danych syntetycznych, mocny w rozumowaniu, matematyce i kodzie.
✓ Aktywny✓ Publiczny dostęp⚖ Open sourceLLMModel rozumowania📁 Phi
Okno kontekstowe
16K
tokenów
Parametry
14B (dense, decoder-only)
parametrów
Data premiery
12 grudnia 2024
🏢MicrosoftProducent
Dostęp:DownloadAPIHostedWdrożenie:💻 Lokalnie☁ Cloud

Przegląd

Phi-4 to maly model jezykowy (SLM) opracowany przez Microsoft Research, udostepniony 12 grudnia 2024 roku. To gesty (dense) model typu decoder-only Transformer o 14 mld parametrow, przeznaczony wylacznie do tekstu (najlepiej sprawdza sie dla promptow w jezyku angielskim), z kontekstem 16K tokenow.

Phi-4 kontynuuje strategie rodziny Phi opierajaca sie na starannie dobranych danych: zostal zbudowany na mieszance danych syntetycznych, przefiltrowanych danych z domeny publicznej oraz nabytych zbiorow, z naciskiem na wysoka jakosc i zaawansowane rozumowanie. Dzieki temu, mimo niewielkiego rozmiaru, osiaga bardzo dobre wyniki w zadaniach STEM - zwlaszcza w matematyce (MATH), pytaniach naukowych (GPQA) i kodowaniu.

Model przeszedl proces dostrajania i alignmentu (m.in. supervised fine-tuning i optymalizacja preferencji). Wagi udostepniono na licencji MIT (w pelni otwarte zrodlo, self-hosting), a model dostepny jest m.in. przez Hugging Face, Azure AI Foundry oraz API dostawcow. Trenowany na 1920 GPU H100 przez 21 dni (9,8 bln tokenow).

Klasyfikacja
LLMModel rozumowania
Rodzina: Phi
Zastosowania
KodowanieQ&A / Odpowiadanie na pytaniaAsystent badawczyPraca z wiedząChatboty
Dostęp i wdrożenie
PobieranieAPIHostowane
LokalnieChmura
Wagi: Open source
Kluczowe parametry
📏 Kontekst: 16K
🧩 Parametry: 14B (dense, decoder-only)
✓ Fine-tuning
📥 Wejście: tekst
Platformy
Hugging Face HubOpenRouter

Specyfikacja techniczna

Okno kontekstowe
16K
tokenów
Parametry
14B (dense, decoder-only)
parametrów
Licencja
MIT
Wymagania sprzętowe
14B - self-hosting na pojedynczym GPU (~28 GB VRAM w BF16 lub kwantyzacja na mniejszych GPU). Obsluga: Transformers, vLLM, llama.cpp, Ollama. Trening: 1920x H100-80G, 21 dni.
Funkcje:✓ Fine-tuning
Modalności
⬇ Wejście (Input)
text
⬆ Wyjście (Output)
textcode

Możliwości i zastosowania

Natywne możliwości modelu
Rozumowanie
Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.
Kategoria: reasoning
Rozumowanie wieloetapowe
Prowadzenie wieloetapowego toku rozumowania w długich, złożonych zadaniach.
Kategoria: reasoning
Rozumowanie matematyczne
Zdolność modelu do rozwiązywania zadań matematycznych wymagających wieloetapowego rozumowania — równania, dowody, kombinatoryka, geometria, rachunek różniczkowy, zadania konkursowe.
Kategoria: reasoning
Programowanie
Generowanie, analizowanie i modyfikowanie kodu w wielu językach programowania. Obejmuje pisanie funkcji, debugowanie, refaktoryzację, code review, tworzenie testów. Mierzone benchmarkami takimi jak HumanEval, SWE-bench.
Kategoria: coding
Wyjście strukturyzowane
Generowanie danych w ustrukturyzowanych formatach, np. JSON.
Kategoria: structured_generation
Modelowanie języka
Zdolność przewidywania kolejnych tokenów i generowania spójnego tekstu w języku naturalnym na podstawie poprzedzającego kontekstu.
Kategoria: language
Dziedziny zastosowań
KodowanieQ&A / Odpowiadanie na pytaniaAsystent badawczyPraca z wiedząChatboty

Cennik

Architektura techniczna

Rdzeń architektury (Core Architecture)
TRTransformer
Forma modelu (Model Form)
LLLLM
Techniki trenowania (Training Techniques)
ITInstruction TuningKDKD

Wdrożenie i bezpieczeństwo

🔒 Security / Enterprise
✓ Zweryfikowane informacje enterprise

Model open-source na licencji MIT - pelna swoboda self-hostingu / on-premises z kontrola danych. Dostepny takze w Azure AI Foundry z kontrolami bezpieczenstwa Microsoft/Azure.

Aktualizacja: 31 lip 2026↗ Dokumentacja security

Źródła i powiązane strony