01Ce qu'il sait faire
Points forts
- Bat R1-Distill-Llama-70B sur AIME/GPQA
- MIT
- Approche R1 avec 50× moins de params
Limites à connaître
- —Anglais-first
- —Faible sur code non-Python
- —Ctx limité à 32k
Architecture
Dense · SFT sur traces o3-mini · variante Plus ajoute RL
Entraînement
RoPE base freq. augmentée vs Phi-4 base.
Idéal pour
MathsLogiqueÉtudes
02Mémoire requise
VRAM GPU approximative pour faire tourner ce modèle, overhead contexte de 4k tokens inclus. Pour un contexte plus long, ajoutez ~1 Go par tranche de 8k tokens.
Q4_K_M
Le plus léger, ~5% de perte
9 Go
Q5_K_M
Bon compromis qualité/taille
11 Go
Q8_0
Quasi-indistinguable de FP16
16 Go
FP16
Pleine précision — usage serveur
28 Go
Fallback CPU · Si vous n'avez pas de GPU, comptez 16 Go de RAM minimum pour faire tourner ce modèle à vitesse réduite.
03Vitesse attendue
Tokens générés par seconde en Q4_K_M, contexte 4k. Au-delà de 20 t/s, la lecture est confortable. En dessous de 10 t/s, c'est juste pour tester.
04Installer
Le chemin le plus court : Ollama. Une commande, le modèle est téléchargé et lancé.
$ollama run phi4-reasoning:14b
LM Studio
Interface graphique, zéro CLI
→ Voir le guide
llama.cpp
Perf brute, build from source
→ Voir le guide
vLLM
Serveur OpenAI-compatible prod
→ Voir le guide
Jan / GPT4All
Apps desktop tout-en-un
→ Voir le guide
⚠
Premier téléchargement : entre 2 et 40 Go selon la quantization choisie. Espace disque à prévoir, connexion stable recommandée. Les relances suivantes sont instantanées.