de Microsoft 14B à poids ouverts modèle trained extensively sur élevé-qualité synthetic datasets à deliver mathématiques et codage density rivaling grand modèles.
Technical Specifications
- Provider
- Microsoft
- Category
- open-source
- Release Date
- 2024-12
- Batch API Discount
- Standard rate
- Consumer Subscription
- Free / Self-Hosted
- Reasoning Effort Control
- Fixed
- Structured Outputs
- Yes
- Output Modalities
- text
- Official Documentation
- Visit Official Docs ↗
Data Privacy, Licensing & Deployment Governance
Official Provider Release Intelligence, API Quotas & Agentic Specs
- Official API Model ID (SDK String)
- phi-4
- Supported SDK & API Protocol
- OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI
- Lifecycle & Deprecation Status
- Legacy Stable (Upgrade path available in Microsoft lineup)
- Production Rate Limits (RPM & TPM)
- Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud
- Long-Context Pricing Tier (>128K / >200K)
- Free across full context window (only KV-cache VRAM scales)
- Prompt Cache Write & TTL Policy
- Automatic prefix KV-caching in vLLM / SGLang (0 cost)
- Computer Use & Browser GUI Agent
- API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop)
- MCP & Parallel Tool Calling
- Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema
- Web Search Grounding & Code Sandbox
- Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools
- Fine-Tuning & Distillation Support
- Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)
- Multimodal Tokenization Billing
- Text BPE (~4 chars/token)
- Weights Precision & Quantization
- BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0)
- Minimum GPU VRAM Requirement
- 9 GB VRAM (4-bit Quantized) · 30 GB VRAM (Native BF16)
- Supported Inference Engines
- vLLM, SGLang, Ollama, llama.cpp, TensorRT-LLM, HuggingFace TGI
- System Card & Safety Framework
- Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma)
- Enterprise Compliance (SOC2 / HIPAA / ZDR)
- 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control
Phi-4 Cost, Context, Hardware & API Integration
Open-weights or free-tier model: $0 API license cost when self-hosted.
Same Monthly Workload Cost Across Popular Reference Models
Live Prompt Paste Tokenizer & Cost Counter
Paste real system instructions, JSON schemas, or code to measure BPE token counts across tokenizers.
Hybrid Prompt Routing Cascade Simulator
Route routine queries to a fast lightweight model ($0.15/1M) and escalate only complex reasoning turns to Phi-4:
Benchmark Scores & 6-Axis Capability Radar
- GPQA Diamond
- 55%
- MMLU-Pro
- 78.5%
- HumanEval
- 88%
- Chatbot Arena Elo
- 1305pts
Strengths
- Remarkable STEM et codage performances packed dans un compact 14B paramètre empreinte
- Easily deployable sur unique desktop GPUs (RTX 4070/4080) et Apple Silicon Macs
- à poids ouverts avec permissive MIT licensing
Limitations & Trade-offs
- Relatively compact 16K fenêtre de contexte limits grand document ingestion
- Max sortie tokens capped à 4096 tokens
Editorial Assessment
de Microsoft masterclass dans petit modèle de langage efficacité, proving qui données qualité triumphs sur échelle.
Best for: local périphérie développeur assistants, offline mathématiques problem-solving, et efficient workstation tâches
Compare Phi-4
Frequently Asked Questions about Phi-4
How much does the Phi-4 API cost per 1M tokens?+
Phi-4 by Microsoft is priced at $0 per 1M input tokens and $0 per 1M output tokens. With prompt caching enabled, cached input tokens cost $0 per 1M tokens, and asynchronous Batch API requests receive a 0% discount.
Should I use a $20/month subscription or the Phi-4 pay-as-you-go API?+
A flat $20/month consumer subscription is predictable for daily interactive chat and manual coding. However, if you are building software, running automated workflows, or sending low-to-moderate volume with prompt caching enabled, the pay-as-you-go API is typically far more cost-effective and offers higher rate limits without manual UI caps.
How many words and pages fit in Phi-4's context window?+
Phi-4 features a 16K tokens context window, which equals approximately 12,288 English words or ~33 standard single-spaced pages in a single prompt. Its maximum output generation per turn is 4,096 tokens.
Can I run Phi-4 locally on my own GPU (Open Weights)?+
Yes, Phi-4 (14B) releases open weights that can be self-hosted locally or on private cloud GPUs using vLLM, Ollama, SGLang, or llama.cpp.
Does Microsoft train on data sent to the Phi-4 API, and is commercial use allowed?+
100% Isolated when self-hosted on private GPUs or VPC. License tier: Open-Weights Research & Commercial License. Full commercial ownership of generated outputs. Supported deployment channels include: Self-Hosted GPU (vLLM / Ollama), Private VPC, or Managed Serverless API.
How does Phi-4 perform on coding and reasoning benchmarks?+
Phi-4 achieves a composite Intelligence Index of 80/100, scoring N/A% on SWE-bench Verified, 55% on GPQA Diamond, 78.5% on MMLU-Pro, and 1305 pts on Chatbot Arena Elo.
What is Phi-4 best used for?+
Phi-4 is best suited for: local périphérie développeur assistants, offline mathématiques problem-solving, et efficient workstation tâches. Assessment: de Microsoft masterclass dans petit modèle de langage efficacité, proving qui données qualité triumphs sur échelle.
Microsoft Family Lineage, Routing Tiers & Upgrade Path
Step down to a lighter sibling for high-volume routing or step up to Microsoft's flagship reasoning tier:
AI Glossary & Architecture Concepts
View full glossary →Key machine learning concepts and benchmarks relevant to Phi-4:
L'unité textuelle de base traitée par un modèle linguistique, représentant généralement 3 à 4 caractères ou environ 0,75 mot. Par exemple, une phrase courante est découpée en plusieurs jetons.
Une suite de tests standardisés permettant d'évaluer et de comparer objectivement les performances des modèles d'IA sur des tâches ciblées (code avec SWE-bench, mathématiques avec AIME, etc.).
Le nombre maximal de jetons qu'un modèle peut traiter simultanément (entrée et sortie comprises). Une fenêtre de 1 000 000 jetons permet d'analyser environ 750 000 mots en une seule requête.
Un modèle d'IA entraîné par apprentissage par renforcement pour allouer du temps de calcul à la réflexion logique avant d'émettre une solution, idéal pour les problèmes scientifiques et le code complexe.
Une méthode de raisonnement pas-à-pas où le modèle décompose le problème en étapes logiques intermédiaires avant de conclure, augmentant drastiquement la précision en mathématiques et programmation.
La capacité d'un LLM à déterminer quand une action externe est requise et à générer des arguments structurés pour invoquer des API, calculatrices ou bases de données avant de poursuivre.
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.
Sources: Microsoft Research Phi-4 Technical Report & Hugging Face↗