phi-4
Architecture dense40 CouchesLicence mitContexte maximal 16kVocabulaire 100.352
En Q4_K_M, c’est un fichier de 8,43 Gio, et il tient sur 17 des 18 machines que nous mesurons (celles qui ont le moins de mémoire : PC avec RTX 3060 12 Go · PC avec RTX 4070 12 Go). Ici, c’est le fichier qui remplit la mémoire : même à son contexte maximal de 16k tokens, le contexte ajoute 3,12 Gio — et le même contenu demande en français 1,48 fois autant de tokens qu’en anglais (en allemand, 1,63 fois).
Taille du modèle en Q4_K_M
Mesuré par Local AI Scope
Mémoire de contexte à 8k tokens
Mesuré par Local AI Scope
Ce que coûte l’allemand face à l’anglais
Mesuré par Local AI Scope
Vidéos : phi-4 1
Les meilleures démonstrations que nous avons trouvées. Appuyez et la vidéo s’ouvre ici.
Les vidéos sont sur YouTube et rien ne se charge depuis YouTube tant que vous n’appuyez pas (mode sans cookies). La miniature est servie par nous.
Tailles des fichiers publiés
Ce sont les tailles des fichiers réellement publiés par son auteur, additionnées lorsque le modèle est livré en plusieurs parties. Pas une estimation à partir du nombre de paramètres.
| Compression | Taille du modèle |
|---|---|
Q8_0 |
14,51 GiB |
Q6_K |
11,20 GiB |
Q5_K_M |
9,88 GiB |
Q5_K_S |
9,45 GiB |
Q4_K_M |
8,43 GiB |
Q4_K_S |
7,86 GiB |
IQ4_XS |
7,40 GiB |
Q3_K_M |
6,86 GiB |
Mémoire de contexte
Calculée à partir du schéma d’attention que ce modèle déclare couche par couche, et non de la formule générique. C’est pourquoi le chiffre est souvent bien inférieur à celui d’autres calculateurs. Le config.json de ce modèle n’indique pas la taille de chaque tête d’attention, et c’est de ce nombre qu’est faite la mémoire de contexte. Nous le dérivons de deux chiffres qu’il déclare, 5.120 unités cachées pour 40 têtes d’attention, ce qui est la définition même de la taille d’une tête et ce que la bibliothèque de référence suppose par défaut : 128. Tous les chiffres de cette section reposent sur cette dérivation, elle est donc signalée ici au lieu d’être passée sous silence.
- 8k tokens → 1,56 GiB
Ce qu’il coûte dans chaque langue
Mesuré en exécutant le tokenizer de ce modèle sur le même contenu dans quatre langues. Les tokens sont ce que l’on paie en contexte, en mémoire et sur la facture du cloud.
| Type de texte | EN | ES | FR | DE |
|---|---|---|---|---|
| Code | — | ×1,28 | ×1,48 | ×1,68 |
| Contrats | — | ×1,40 | ×1,46 | ×1,77 |
| Courriels d’entreprise | — | ×1,27 | ×1,38 | ×1,48 |
| Tickets d’assistance | — | ×1,39 | ×1,59 | ×1,55 |
L’anglais est la référence : chaque chiffre indique combien de fois plus de tokens coûte le même contenu dans cette langue. Moyenne sur tout le corpus: DE ×1,63.
Où il tient
Tenir signifie que le modèle, sa mémoire de contexte et la marge de travail tiennent au contexte indiqué, en laissant au système sa part. 17 sur les 18 machines testées (Q4_K_M, 8k tokens).
Avant de cliquer sur télécharger : commençons par la bonne nouvelle : au 29 octobre 2026, les cinq programmes que nous suivons ouvrent Phi-4, car son architecture (phi3) est prise en charge depuis longtemps. llama.cpp le fait tourner dans sa dernière version stable, la v0.8.0 (du 28 octobre 2026), et dans toute compilation quotidienne récente. ollama run phi4 (sans tiret) télécharge un GGUF Q4_K_M de 8,43 Gio, de la même taille que celui du tableau, y compris sur un Mac : la liste ne contient pas de version MLX. Ollama propose aussi phi4:14b-q8_0 (14,51 Gio). LM Studio le propose avec le GGUF de son programme communautaire (lmstudio-community), lui aussi de 8,43 Gio en Q4_K_M. mlx-lm l’ouvre dans la 0.32.2 (la version MLX 4 bits de mlx-community pèse 7,68 Gio), et vLLM dans sa version stable, la 0.32.0. Deux points à garder en tête. Le contexte s’arrête à 16k tokens : c’est ce que déclare son config.json, et aucune ligne du tableau ne va au-delà, quelle que soit votre mémoire (sur les cartes de 12 Go, la mémoire l’arrête plus tôt, à 8k). Et la langue : Microsoft l’a entraîné surtout en anglais (environ 8 % de données multilingues) et indique qu’il n’est pas destiné à un usage multilingue. Nous mesurons ce que coûte chaque langue en tokens, pas la qualité des réponses.
