Phi-4-mini-instruct

4-mini · Rodzina: Phi

Otwarty model językowy Microsoftu z rodziny Phi-4 (~3,8 mld parametrów), z oknem kontekstu 128K i obsługą wywoływania funkcji; licencja MIT.

✓ Aktywny✓ Publiczny dostęp⚖ Open sourceLLM📁 Phi

Okno kontekstowe

128K

tokenów

Parametry

3.8B

parametrów

Data premiery

26 lutego 2025

🏢MicrosoftProducent

Dostęp:DownloadAPIHostedWdrożenie:💻 Lokalnie☁ Cloud📱 Na urządzeniu

Przegląd

Phi-4-mini-instruct to otwarty, gęsty (dense) model językowy typu decoder-only z rodziny Phi-4 firmy Microsoft, o około 3,8 mld parametrów. Wykorzystuje architekturę Transformer z grouped-query attention (GQA), współdzielonymi embeddingami wejścia/wyjścia oraz aktywacją SwiGLU.

Obsługuje okno kontekstu 128K tokenów i tokenizer o słowniku 200 064 tokenów. Model został wytrenowany na około 5 bilionach tokenów (dane publiczne do czerwca 2024). Wspiera wywoływanie funkcji (function calling) oraz przetwarzanie wielojęzyczne. Udostępniany na licencji MIT.

Klasyfikacja

LLM

Rodzina: Phi

Dostęp i wdrożenie

PobieranieAPIHostowane

LokalnieChmuraNa urządzeniu

Wagi: Open source

Kluczowe parametry

📏 Kontekst: 128K

🧩 Parametry: 3.8B

✓ Narzędzia · ✓ Fine-tuning

📥 Wejście: tekst

Specyfikacja techniczna

Okno kontekstowe

128K

tokenów

Parametry

3.8B

parametrów

Knowledge cutoff

1 cze 2024

Data graniczna wiedzy

Licencja

MIT

Wymagania sprzętowe

Około 3,8 mld parametrów; działa na pojedynczym GPU, a wariant ONNX umożliwia inferencję na urządzeniach edge/CPU.

Funkcje:✓ Używanie narzędzi✓ Fine-tuning

Modalności

⬇ Wejście (Input)

text

⬆ Wyjście (Output)

textcode

Możliwości i zastosowania

Natywne możliwości modelu

Modelowanie języka

Zdolność przewidywania kolejnych tokenów i generowania spójnego tekstu w języku naturalnym na podstawie poprzedzającego kontekstu.

Kategoria: language

Rozumowanie

Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.

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

Wielojęzyczność

Kompetencje w wielu językach naturalnych (od kilku do stu+): rozumienie, generowanie, tłumaczenie, code-switching w obrębie jednej rozmowy. Modele frontier obsługują szeroki wachlarz języków ze zbliżoną jakością.

Kategoria: language

Długi kontekst

Obsługa dużych okien kontekstowych — dziesiątek do setek tysięcy (lub milionów) tokenów wejścia. Umożliwia analizę całych baz kodu, długich dokumentów, wielu równolegle rozmów bez utraty wcześniejszych informacji. GPT-5.1 wspiera 400 000 tokenów.

Kategoria: language

Przestrzeganie instrukcji

Precyzyjne wypełnianie wskazówek zawartych w prompcie: format odpowiedzi, długość, styl, ograniczenia (np. 'odpowiedz w sześciu słowach'). GPT-5.1 znacząco poprawił tę zdolność względem GPT-5.

Kategoria: language

Wyniki benchmarków

10 benchmarków

MMLU

accuracy · 5-shot

67.3%