Phi-4 (Microsoft)

Коротко

Практические слои семейства Phi-4:

Почему Phi-4 вообще стоит внимания:

• почти всё важное в family доступно как open weights;
• Microsoft держит сильную ставку на SLM, а не только на giant models;
• у Phi-4-mini и multimodal уже есть длинный контекст 128K;
• reasoning-ветка показывает, что маленькие модели можно заметно усилить посттренингом;
• семейство хорошо ложится на локальный inference, ONNX и edge/NPU-сценарии.

1. Как сейчас устроено семейство Phi-4

Главная ошибка старого обзора была в том, что он сводил Phi-4 к одному флагману на 14B. На практике в 2026 лучше разделять семейство так:

2. Что особенно важно в каждом слое

Phi-4

По model card microsoft/phi-4 это 14B dense model с 16K контекстом и MIT лицензией. Microsoft прямо позиционирует её для memory/compute constrained environments, latency-bound scenarios и reasoning/logic задач.

Это уже не лучшая модель семейства «на всё подряд», но она остаётся удобной базой, если вам нужен:

• небольшой open-weight reasoning/text baseline;
• локальный запуск без гигантской инфраструктуры;
• сильный STEM-профиль;
• предсказуемый foundation для дальнейшего fine-tuning.

Phi-4-mini-instruct

Именно здесь семейство выглядит современнее старого обзора. Phi-4-mini-instruct даёт:

• 3.8B параметров;
• 128K контекста;
• 200K vocabulary;
• поддержку 23 языков в model card;
• явный фокус на instruction following и function-calling format.

Практически это одна из самых интересных моделей Microsoft для дешёвого локального ассистента. Она слабее больших proprietary моделей, но для self-hosted workflows часто выглядит намного реалистичнее.

Phi-4-multimodal-instruct

Здесь Microsoft ушла дальше, чем старый текст про «маленькую математику». Phi-4-multimodal-instruct объединяет:

• текст;
• изображения;
• аудио;
• 128K контекста;
• open-weight дистрибуцию;
• OCR, chart/table understanding, speech tasks и multi-image use cases.

По product page Microsoft отдельно подчёркивает, что это первая модель семейства Phi с поддержкой text, audio, and vision inputs.

3. Reasoning-ветка: почему она теперь важнее старого базового обзора

В Azure Blog Microsoft отдельно объявила:

• Phi-4-reasoning
• Phi-4-reasoning-plus
• Phi-4-mini-reasoning

Это не косметическое переименование. По официальному описанию:

• Phi-4-reasoning строится на Phi-4 и дообучается на reasoning traces;
• Phi-4-reasoning-plus идёт дальше и использует reinforcement learning, расходуя 1.5x больше токенов на reasoning, чем Phi-4-reasoning;
• Phi-4-mini-reasoning переносит эту идею в компактный 3.8B класс.

По Microsoft Azure Blog reasoning-ветка обгоняет OpenAI o1-mini и DeepSeek-R1-Distill-Llama-70B на ряде reasoning-бенчмарков, а Phi-4-reasoning и Phi-4-reasoning-plus показывают очень сильный math/science профиль для модели такого размера.

4. Где Phi-4 реально выигрывает

Выбирайте Phi-4, если вам нужно

• self-hosted small model stack;
• edge и offline inference;
• дешёвый локальный STEM/coding baseline;
• компактный мультимодальный open-weight слой;
• reasoning на устройстве или в своей инфраструктуре.

Смотрите альтернативы, если вам нужно

• максимально сильный hosted assistant без возни с инфрой;
• giant context по умолчанию;
• consumer-grade product layer уровня ChatGPT, Claude или Gemini;
• strongest multilingual default для глобальных приложений.

Нам нужен локальный ассистент для инженеров: читать длинные инструкции, разбирать схемы и иногда решать математические задачи без отправки данных наружу. Что выбрать?

5. Для разработчика

Минимальный decision framework

Что помнить про deployment

1. Не стройте новый выбор вокруг одной только Phi-4 14B: family уже шире и практичнее.
2. Если нужен 128K, почти всегда смотрите сначала на mini или multimodal, а не на базовую Phi-4.
3. Если нужен math-heavy reasoning, не останавливайтесь на base model: у Microsoft есть отдельная reasoning-линия.
4. В Azure AI Foundry цена зависит от deployment-модели и региона, поэтому для статьи корректнее говорить не про один глобальный price tag, а про managed deployment pricing в Azure.

Быстрый старт через Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "microsoft/Phi-4-mini-instruct"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

messages = [
    {"role": "user", "content": "Сделай краткий разбор этого технического RFC и выдели риски."}
]

inputs = tokenizer.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)

outputs = model.generate(inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0][inputs.shape[1]:], skip_special_tokens=True))

Проверьте себя