LLM MIT

Phi-3 Medium 14B

14B параметров · Transformer · Контекст 128k · Microsoft · 2024

Запустить на GPU HuggingFace →

VRAM по точности

Точность VRAM Качество Рекомендация
FP16 28 ГБ Максимальное Для продакшена
FP8 14 ГБ Отличное Оптимально
INT8 14 ГБ Хорошее
INT4/Q4 7 ГБ Приемлемое Для экспериментов

Совместимые GPU

GPU VRAM Поддерживает
Рек. NVIDIA RTX 4090
24 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA A100
80 ГБ FP16, FP8, INT8, INT4 Арендовать
NVIDIA H100 SXM
80 ГБ FP16, FP8, INT8, INT4 Арендовать

Рекомендуемые фреймворки

vLLM Ollama llama.cpp

Быстрый старт

vllm 
docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model Phi-3-medium-128k-instruct \
  --quantization fp8

Характеристики модели

Технические параметры

Разработчик
Microsoft
Год выпуска
2024
Параметры
14B
Архитектура
Transformer
Контекстное окно
128,000 токенов
Лицензия
MIT

Применение

Instruction following Code generation Text analysis Reasoning

Phi-3 Medium 14B — «середнячок», который по ощущениям ближе к большим моделям: заметно спокойнее ведёт себя на reasoning, разборе инструкций и аккуратной генерации кода, чем типичные 7–8B того же поколения. Microsoft позиционирует линейку Phi-3 как результат жёсткой курации данных, и Medium — точка, где это качество данных начинает ощущаться без прыжка на 30B+. Для внутренних ассистентов и аналитики текста это часто sweet spot по цене GPU.

Чекпоинт: microsoft/Phi-3-medium-128k-instruct, контекст до 128k (MIT).

Запуск на cloudcompute.ru

Шаг 1 — Арендуйте GPU

Для Phi-3 Medium 14B в fp16 рекомендуем RTX 4090 или A100 / H100. Перейдите в каталог GPU и арендуйте инстанс.

Шаг 2 — Запустите vLLM

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model microsoft/Phi-3-medium-128k-instruct \
  --dtype auto \
  --max-model-len 131072

Альтернативно, для быстрого старта используйте Ollama:

ollama run phi3:medium

Шаг 3 — Отправьте запрос

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "microsoft/Phi-3-medium-128k-instruct",
    "messages": [{"role": "user", "content": "Привет! Расскажи о себе."}]
  }'

Оптимизация

  • На одной 4090 в fp16 может быть тесно при длинном контексте и высоком concurrency — начните с --dtype auto и профилирования.
  • Для длинных RAG-цепочек разумно ограничивать размер вставки и использовать chunking, а не «скормить всё подряд».
  • Выносите тяжёлый system prompt в кэшируемый шаблон на клиенте, чтобы не раздувать каждый запрос заново.