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.
Quel GPU pour faire tourner Phi-4 Reasoning 14B ?
Pour exécuter Phi-4 Reasoning 14B en local en quantification Q4, il faut environ 9 Go de VRAM. Le meilleur rapport prix/performance : un RTX 5070 (12 Go de VRAM).
Où acheter le RTX 5070
DartyVoir RTX 5070 →RakutenVoir RTX 5070 →AmazonVoir RTX 5070 →Liens affiliés — commission possible sans surcoût pour vous, reco indépendante. En tant que Partenaire Amazon, QuelLLM réalise un bénéfice sur les achats remplissant les conditions requises.
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.