Microsoft Phi-4

Microsoft construyó Phi-4 alrededor del razonamiento complejo, con las matemáticas como titular. Resuelve los problemas por pasos. Eso importa para herramientas de tutoría, cálculos financieros y cualquier caso donde un resultado intermedio erróneo aparece en la respuesta final. Las tablas de benchmarks independientes lo sitúan muy por delante de la mayoría de modelos de su tamaño en tareas de matemáticas. Pruébalo con tus propios datos antes de confiar en él en producción.

Con 14 mil millones de parámetros, Phi-4 es lo bastante pequeño para correr en hardware modesto frente a modelos frontera que necesitan muchas GPU. Ese tamaño es justo el punto. Menos memoria, menos latencia y una factura más baja cuando lo alojas tú mismo. La contrapartida es que sabe menos sobre temas oscuros que un modelo mucho mayor.

Los pesos se distribuyen bajo la Licencia MIT, una de las licencias abiertas más permisivas que existen. Ese es el ángulo del LLM de código abierto bien hecho. Puedes usar Phi-4 con fines comerciales, modificarlo y redistribuirlo sin pagar una cuota de licencia a Microsoft. Confirma los términos exactos en la tarjeta del modelo antes de construir un producto encima. Las licencias pueden llevar condiciones.

Puedes descargar Phi-4 desde Hugging Face y ejecutarlo por tu cuenta, o llegar a él a través de Azure AI Foundry como endpoint alojado. El catálogo de API de NVIDIA ofrece otra vía. Aquí importan dos opciones. Puedes empezar rápido en un endpoint gestionado y pasar luego a tu propia infraestructura sin reescribir la integración.

Microsoft documenta el ajuste fino de la familia Phi en el Phi Cookbook, así que puedes adaptar Phi-4 a un dominio o estilo de escritura concretos sin empezar de cero. Como el modelo es pequeño, una pasada de ajuste fino cuesta mucho menos que afinar un gran modelo frontera, lo que significa que un equipo sin gran presupuesto de GPU también puede producir un modelo ajustado a sus propios datos. Eso hace que el ajuste personalizado sea práctico para equipos pequeños.

La familia Phi existe para poner la IA en el dispositivo en lugar de detrás de una llamada a la nube, y Phi-4 encaja con ese objetivo porque, una vez desplegado, se ejecuta en local sin ningún viaje de ida y vuelta a la red. Eso ayuda con la privacidad, el uso sin conexión y una latencia predecible, cosas todas difíciles de garantizar cuando cada prompt tiene que salir de la máquina y volver. Aun así necesitarás hardware capaz de sostener el modelo en memoria, así que revisa los requisitos primero.