Jämför
Phi 4 Mini Instruct vs Phi-4
Ställ två till fyra modeller sida vid sida på de fält som avgör en driftsättning: kontext, pris, region, licens, språk, hosting och vad som är verifierat.
| Phi 4 Mini Instruct | Phi-4 | |
|---|---|---|
| Leverantör | Microsoft | Microsoft |
| Parametrar | 3.8B | 14.66B |
| Kontextfönster | Inte verifierad: leverantören har inte dokumenterat detta påstående. | 16k |
| Licens | mit | mit |
| Modaliteter | text | text |
| Utgivningsdatum | 19 feb. 2025 | 11 dec. 2024 |
| Språk | Stark: cs, da, nl, en, fi, fr, de, hu, it, pl, pt, es, sv Tillräcklig: ar, zh, he, ja, ko, no, ru, th, tr, uk, nlp | Stark: en Tillräcklig: — |
| Öppna vikter | ja | ja |
| Uppgifter | Resonemang, Sammanfattning, Flerspråkigt stöd | Resonemang, Sammanfattning, Låg kostnad, Hämtning (RAG) |
Där två modeller skiljer sig visar denna tabell skillnaden och stannar. LLM EU publicerar ingen vinnarutmärkelse utan en dokumenterad poäng för den uppgiften, och en saknad siffra förblir saknad i stället för att bli en nolla.
När den ska användas
Phi 4 Mini Instruct
Styrkor
- open weights are published on Hugging Face and can be downloaded without a vendor agreement
- mit licence, so commercial self-hosting is permitted without a separate agreement
- at 3.8B parameters it fits on a single accelerator
- the model page lists 13 languages the European Union publishes in, including cs, da, nl, en
- instruction-tuned checkpoint with a chat template in the repository
Begränsningar
- catalogue only — LLM EU does not run this model, and nothing on this card implies an LLM EU endpoint
- no evaluation has been run by LLM EU
- the published configuration records no context window, so the card carries none
- at 3.8B parameters, the weights fit on a single modest accelerator
Uppgifter
Phi-4
Styrkor
- strong MMLU and maths scores at 14B parameters
- MIT licence without user thresholds
- fits a single 40GB accelerator at BF16
Begränsningar
- 16K-token context window
- declared English-only; EU-language performance is not documented
- training leans on synthetic data, which narrows domain robustness
Uppgifter
Uppgifter: Resonemang, Sammanfattning