Phi-4 es el transformer denso de 14 mil millones de parámetros, solo de decodificador, de Microsoft Research para generación de texto. Su desarrollo se centra en material de entrenamiento de alta calidad y razonamiento avanzado en un modelo relativamente compacto. Acepta texto, se adapta mejor a un prompt con formato de chat y genera una respuesta textual, una explicación o código. La edición exacta Phi-4 es distinta de las versiones posteriores de razonamiento, mini y multimodales.
El fabricante combina documentos y código públicos filtrados por calidad, datos educativos sintéticos recién creados, libros académicos adquiridos y conjuntos de datos de preguntas y respuestas. El material sintético enseña matemáticas, programación, razonamiento de sentido común y conocimientos generales. El ajuste fino supervisado y la optimización directa de preferencias mejoran después el cumplimiento de instrucciones y el comportamiento de respuesta.
El productor presenta Phi-4 como un componente para aplicaciones con restricciones de memoria o cómputo, necesidades de respuesta interactiva y tareas de razonamiento o lógica, principalmente en inglés. Proporciona a una tarea la condición completa y la información fuente necesaria para responderla. Para un problema matemático, define las variables, las restricciones del dominio y la forma del resultado; para una explicación, identifica la audiencia y los conceptos que debe conectar.
Un encargo útil es: «Compara estas condiciones, identifica si la solución propuesta satisface cada una y explica la primera falla. Indica cualquier información faltante antes de extraer una conclusión». Para una pregunta basada en fuentes, etiqueta los pasajes y solicita el hallazgo respaldado por cada uno. Pide que la respuesta conserve los nombres, las unidades y los supuestos que afecten el resultado.
Un prompt más largo debe seguir teniendo un propósito claro. El contexto publicado es de 16K tokens e incluye conjuntamente las instrucciones, el texto fuente, la conversación y la respuesta generada. Mantén la evidencia relevante en la entrada y reserva espacio para la explicación final. El presupuesto de ejemplo de generación de la ficha es ilustrativo y no establece una longitud máxima universal independiente de respuesta.
Phi-4 puede proponer código, explicar una función o razonar sobre una entrada que falla. Proporciona la implementación, el comportamiento esperado y un caso representativo que distinga un resultado correcto. Solicita el entregable de código por separado de su explicación e identifica las interfaces que deben permanecer intactas.
El fabricante señala que la mayor parte del entrenamiento de código se basa en Python, en particular paquetes comunes de la biblioteca estándar. El uso de otros paquetes o lenguajes de programación requiere verificación cuidadosa de sus API. Una función o un script generado no se ha ejecutado solo porque parezca completo; ejecútalo en el entorno previsto y usa los errores u observaciones reales para revisar el resultado.
La representación de prompts del fabricante separa los turnos de sistema, usuario y asistente. Una instrucción del sistema puede definir el rol o el estilo de respuesta, mientras que el mensaje del usuario contiene el problema real. Conserva el formato del modelo exacto en lugar de copiar una plantilla posterior de Phi o asumir una función de entrada de imágenes o llamadas a herramientas de otra edición.
Phi-4 se entrena principalmente en inglés y no está pensado como un modelo multilingüe. Otros idiomas y variedades de inglés menos representadas pueden tener un rendimiento inferior. Proporciona la escritura precisa de los nombres técnicos y evalúa la respuesta en el idioma que necesita la tarea, en lugar de tratar la pequeña proporción multilingüe de los datos de entrenamiento como una compatibilidad amplia de idiomas.
La fecha de corte del entrenamiento con datos públicos es junio de 2024 y fechas anteriores. Para afirmaciones actuales o sensibles a las fuentes, proporciona material autorizado en el prompt. Microsoft también identifica la posibilidad de salidas inexactas, desactualizadas o sesgadas a pesar de la alineación. Revisa la respuesta final frente a las condiciones y las fuentes del problema. El entregable útil es una solución textual, una explicación o una propuesta de código cuyos supuestos y evidencia de apoyo permanezcan claros.
", "aboutText": "Phi-4 es el transformer denso de 14 mil millones de parámetros, solo de decodificador, de Microsoft Research para generación de texto. Su desarrollo se centra en material de entrenamiento de alta calidad y razonamiento avanzado en un modelo relativamente compacto. Acepta texto, se adapta mejor a un prompt con formato de chat y genera una respuesta textual, una explicación o código. La edición exacta Phi-4 es distinta de las versiones posteriores de razonamiento, mini y multimodales.\n\n### Entrenamiento y uso previsto\n\nEl fabricante combina documentos y código públicos filtrados por calidad, datos educativos sintéticos recién creados, libros académicos adquiridos y conjuntos de datos de preguntas y respuestas. El material sintético enseña matemáticas, programación, razonamiento de sentido común y conocimientos generales. El ajuste fino supervisado y la optimización directa de preferencias mejoran después el cumplimiento de instrucciones y el comportamiento de respuesta.\n\nEl productor presenta Phi-4 como un componente para aplicaciones con restricciones de memoria o cómputo, necesidades de respuesta interactiva y tareas de razonamiento o lógica, principalmente en inglés. Proporciona a una tarea la condición completa y la información fuente necesaria para responderla. Para un problema matemático, define las variables, las restricciones del dominio y la forma del resultado; para una explicación, identifica la audiencia y los conceptos que debe conectar.\n\n### Razonamiento a partir de un problema claro\n\nUn encargo útil es: «Compara estas condiciones, identifica si la solución propuesta satisface cada una y explica la primera falla. Indica cualquier información faltante antes de extraer una conclusión». Para una pregunta basada en fuentes, etiqueta los pasajes y solicita el hallazgo respaldado por cada uno. Pide que la respuesta conserve los nombres, las unidades y los supuestos que afecten el resultado.\n\nUn prompt más largo debe seguir teniendo un propósito claro. El contexto publicado es de 16K tokens e incluye conjuntamente las instrucciones, el texto fuente, la conversación y la respuesta generada. Mantén la evidencia relevante en la entrada y reserva espacio para la explicación final. El presupuesto de ejemplo de generación de la ficha es ilustrativo y no establece una longitud máxima universal independiente de respuesta.\n\n### Asistencia de programación\n\nPhi-4 puede proponer código, explicar una función o razonar sobre una entrada que falla. Proporciona la implementación, el comportamiento esperado y un caso representativo que distinga un resultado correcto. Solicita el entregable de código por separado de su explicación e identifica las interfaces que deben permanecer intactas.\n\nEl fabricante señala que la mayor parte del entrenamiento de código se basa en Python, en particular paquetes comunes de la biblioteca estándar. El uso de otros paquetes o lenguajes de programación requiere verificación cuidadosa de sus API. Una función o un script generado no se ha ejecutado solo porque parezca completo; ejecútalo en el entorno previsto y usa los errores u observaciones reales para revisar el resultado.\n\n### Formato de chat e idioma\n\nLa representación de prompts del fabricante separa los turnos de sistema, usuario y asistente. Una instrucción del sistema puede definir el rol o el estilo de respuesta, mientras que el mensaje del usuario contiene el problema real. Conserva el formato del modelo exacto en lugar de copiar una plantilla posterior de Phi o asumir una función de entrada de imágenes o llamadas a herramientas de otra edición.\n\nPhi-4 se entrena principalmente en inglés y no está pensado como un modelo multilingüe. Otros idiomas y variedades de inglés menos representadas pueden tener un rendimiento inferior. Proporciona la escritura precisa de los nombres técnicos y evalúa la respuesta en el idioma que necesita la tarea, en lugar de tratar la pequeña proporción multilingüe de los datos de entrenamiento como una compatibilidad amplia de idiomas.\n\n### Límites de fiabilidad\n\nLa fecha de corte del entrenamiento con datos públicos es junio de 2024 y fechas anteriores. Para afirmaciones actuales o sensibles a las fuentes, proporciona material autorizado en el prompt. Microsoft también identifica la posibilidad de salidas inexactas, desactualizadas o sesgadas a pesar de la alineación. Revisa la respuesta final frente a las condiciones y las fuentes del problema. El entregable útil es una solución textual, una explicación o una propuesta de código cuyos supuestos y evidencia de apoyo permanezcan claros.", "editorialOverlay": { "copy_fields": { "practical_html": "Ejemplo técnico en inglés
Check a proposed batch size\n\nA machine makes exactly 12 parts per batch. A supervisor proposes five batches to supply 67 parts and says there will be three spare. Check the proposal using whole batches only. Give the first incorrect claim, the minimum sufficient batch count and the resulting spare-part count. Show the arithmetic briefly.A concise numerical check identifying the failing claim, sufficient batches and surplus.The calculation must use whole batches and meet the 67-part requirement.microsoft/phi-4Phi-4 es el modelo de texto de 14B de Microsoft Research para razonamiento en inglés, matemáticas y asistencia de programación. Utiliza un contexto de 16K y un formato de instrucciones orientado a chat, produciendo explicaciones y propuestas de código a partir de un planteamiento completo del problema y texto proporcionado.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Phi-4 es el transformer denso de 14 mil millones de parámetros, solo de decodificador, de Microsoft Research para generación de texto. Su desarrollo se centra en material de entrenamiento de alta calidad y razonamiento avanzado en un modelo relativamente compacto. Acepta texto, se adapta mejor a un prompt con formato de chat y genera una respuesta textual, una explicación o código. La edición exacta Phi-4 es distinta de las versiones posteriores de razonamiento, mini y multimodales.
El fabricante combina documentos y código públicos filtrados por calidad, datos educativos sintéticos recién creados, libros académicos adquiridos y conjuntos de datos de preguntas y respuestas. El material sintético enseña matemáticas, programación, razonamiento de sentido común y conocimientos generales. El ajuste fino supervisado y la optimización directa de preferencias mejoran después el cumplimiento de instrucciones y el comportamiento de respuesta.
El productor presenta Phi-4 como un componente para aplicaciones con restricciones de memoria o cómputo, necesidades de respuesta interactiva y tareas de razonamiento o lógica, principalmente en inglés. Proporciona a una tarea la condición completa y la información fuente necesaria para responderla. Para un problema matemático, define las variables, las restricciones del dominio y la forma del resultado; para una explicación, identifica la audiencia y los conceptos que debe conectar.
Un encargo útil es: «Compara estas condiciones, identifica si la solución propuesta satisface cada una y explica la primera falla. Indica cualquier información faltante antes de extraer una conclusión». Para una pregunta basada en fuentes, etiqueta los pasajes y solicita el hallazgo respaldado por cada uno. Pide que la respuesta conserve los nombres, las unidades y los supuestos que afecten el resultado.
Un prompt más largo debe seguir teniendo un propósito claro. El contexto publicado es de 16K tokens e incluye conjuntamente las instrucciones, el texto fuente, la conversación y la respuesta generada. Mantén la evidencia relevante en la entrada y reserva espacio para la explicación final. El presupuesto de ejemplo de generación de la ficha es ilustrativo y no establece una longitud máxima universal independiente de respuesta.
Phi-4 puede proponer código, explicar una función o razonar sobre una entrada que falla. Proporciona la implementación, el comportamiento esperado y un caso representativo que distinga un resultado correcto. Solicita el entregable de código por separado de su explicación e identifica las interfaces que deben permanecer intactas.
El fabricante señala que la mayor parte del entrenamiento de código se basa en Python, en particular paquetes comunes de la biblioteca estándar. El uso de otros paquetes o lenguajes de programación requiere verificación cuidadosa de sus API. Una función o un script generado no se ha ejecutado solo porque parezca completo; ejecútalo en el entorno previsto y usa los errores u observaciones reales para revisar el resultado.
La representación de prompts del fabricante separa los turnos de sistema, usuario y asistente. Una instrucción del sistema puede definir el rol o el estilo de respuesta, mientras que el mensaje del usuario contiene el problema real. Conserva el formato del modelo exacto en lugar de copiar una plantilla posterior de Phi o asumir una función de entrada de imágenes o llamadas a herramientas de otra edición.
Phi-4 se entrena principalmente en inglés y no está pensado como un modelo multilingüe. Otros idiomas y variedades de inglés menos representadas pueden tener un rendimiento inferior. Proporciona la escritura precisa de los nombres técnicos y evalúa la respuesta en el idioma que necesita la tarea, en lugar de tratar la pequeña proporción multilingüe de los datos de entrenamiento como una compatibilidad amplia de idiomas.
La fecha de corte del entrenamiento con datos públicos es junio de 2024 y fechas anteriores. Para afirmaciones actuales o sensibles a las fuentes, proporciona material autorizado en el prompt. Microsoft también identifica la posibilidad de salidas inexactas, desactualizadas o sesgadas a pesar de la alineación. Revisa la respuesta final frente a las condiciones y las fuentes del problema. El entregable útil es una solución textual, una explicación o una propuesta de código cuyos supuestos y evidencia de apoyo permanezcan claros.
POST /v1/chat/completionstexttext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites microsoft/phi-4 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites Número mínimo de elementos: 1 | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites Ejemplos: system, user, assistant, tool, function Condiciones: Estos roles están representados explícitamente por los tipos de compatibilidad del código fuente; el conjunto exacto de roles depende del modelo. Depende del modelo | Predeterminado— |
Campomessages[].content | Tipostring|content_part[]|null | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_calls | Tipotool_call[] | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].tool_call_id | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: role=tool; utiliza el ID real devuelto | Predeterminado— |
Campomessages[].name | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campomessages[].reasoning_content | Tipostring | RequisitoOpcional | Valores y límites Se aplica cuando: Devuelve en los turnos siguientes el razonamiento realmente recibido cuando este modelo lo utilice | Predeterminado— |
Campomessages[].reasoning_details | Tipoobject|array | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campomax_completion_tokens | Tipointeger | RequisitoOpcional | Valores y límites Mínimo: 1 Depende del modelo | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Campostream_options.include_usage | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotemperature | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotop_p | Tiponumber | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campostop | Tipostring|string[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools | Tipofunction_tool[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campotools[].type | Tipostring | RequisitoOpcional | Valores y límites function Depende del modelo | Predeterminado— |
Campotools[].function.name | Tipostring | RequisitoObligatorio | Valores y límites Se aplica cuando: herramienta de función proporcionada | Predeterminado— |
Campotools[].function.description | Tipostring | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotools[].function.parameters | TipoJSON_schema | RequisitoOpcional | Valores y límites | Predeterminado— |
Campotool_choice | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoparallel_tool_calls | Tipoboolean | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporesponse_format | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning_effort | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camporeasoning | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Camposervice_tier | Tipostring | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoinstructions | Tipostring | RequisitoOpcional | Valores y límites Campo de compatibilidad | Predeterminado— |
Campofunctions | Tipofunction[] | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campofunction_call | Tipostring|object | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campoprompt_cache_options | Tipoobject | RequisitoOpcional | Valores y límites Depende del modelo | Predeterminado— |
Campomodalities | Tipostring[] | RequisitoOpcional | Valores y límites text | Predeterminado— |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites Condiciones: provider.options se rechaza en esta ruta de texto Ultra | Predeterminado— |
Campocache_control.ttl | Tipostring | RequisitoOpcional | Valores y límites Condiciones: 1h se rechaza en los campos reales de caché de instrucciones | Predeterminado— |
Texto · Texto UTF8
messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages |
Parámetromaterial_types | Contratotext |
Parámetromessages | Contratomatriz de mensajes con estructura role/content |
Parámetrofile_material | Contratodocumento real en UTF-8 insertado como texto literal; no se deduce ningún ID de archivo |
Parámetrooptional_controls | Contratostream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parámetrocontrol_scope | Contratodepende del modelo; las herramientas de funciones del usuario difieren de las herramientas alojadas |
Parámetrooutput_modalities | Contratotext |
Parámetrohosted_operations | Contratofalse |
Parámetromultimodal_input_binding | Contratonull |
Ciclo de vida: synchronous_or_streamed
Envía el ID exacto del modelo junto con messages.
La longitud del contexto no es un límite máximo de salida.
Un archivo de texto puede aportar texto literal; las entradas de imagen, audio u objetos de archivo requieren una vinculación exacta.
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00014 / 1K tokens Salida · Tokens de salida $0.00028 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00014 / 1K tokens Salida · Tokens de salida $0.00028 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "microsoft/phi-4", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='microsoft/phi-4',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='microsoft/phi-4',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva cada alternativa y su contenido, llamadas de herramientas y razonamiento. En SSE, ensambla los fragmentos incrementales por índice de alternativa/herramienta y conserva el motivo final de terminación y el uso.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campochoices[].index | Tipointeger |
Campochoices[].message.content | Tipostring|null |
Campochoices[].message.tool_calls | Tipotool_call[] |
Campochoices[].message.reasoning_content | Tipostring |
Campochoices[].message.reasoning_details | Tipoobject|array |
Campochoices[].finish_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra microsoft/phi-4
Usa las rutas de método indicadas arriba.
microsoft/phi-4Phi-4 es el modelo de texto de 14B de Microsoft Research para razonamiento en inglés, matemáticas y asistencia de programación. Utiliza un contexto de 16K y un formato de instrucciones orientado a chat, produciendo explicaciones y propuestas de código a partir de un planteamiento completo del problema y texto proporcionado.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Phi-4 es el transformer denso de 14 mil millones de parámetros, solo de decodificador, de Microsoft Research para generación de texto. Su desarrollo se centra en material de entrenamiento de alta calidad y razonamiento avanzado en un modelo relativamente compacto. Acepta texto, se adapta mejor a un prompt con formato de chat y genera una respuesta textual, una explicación o código. La edición exacta Phi-4 es distinta de las versiones posteriores de razonamiento, mini y multimodales.
El fabricante combina documentos y código públicos filtrados por calidad, datos educativos sintéticos recién creados, libros académicos adquiridos y conjuntos de datos de preguntas y respuestas. El material sintético enseña matemáticas, programación, razonamiento de sentido común y conocimientos generales. El ajuste fino supervisado y la optimización directa de preferencias mejoran después el cumplimiento de instrucciones y el comportamiento de respuesta.
El productor presenta Phi-4 como un componente para aplicaciones con restricciones de memoria o cómputo, necesidades de respuesta interactiva y tareas de razonamiento o lógica, principalmente en inglés. Proporciona a una tarea la condición completa y la información fuente necesaria para responderla. Para un problema matemático, define las variables, las restricciones del dominio y la forma del resultado; para una explicación, identifica la audiencia y los conceptos que debe conectar.
Un encargo útil es: «Compara estas condiciones, identifica si la solución propuesta satisface cada una y explica la primera falla. Indica cualquier información faltante antes de extraer una conclusión». Para una pregunta basada en fuentes, etiqueta los pasajes y solicita el hallazgo respaldado por cada uno. Pide que la respuesta conserve los nombres, las unidades y los supuestos que afecten el resultado.
Un prompt más largo debe seguir teniendo un propósito claro. El contexto publicado es de 16K tokens e incluye conjuntamente las instrucciones, el texto fuente, la conversación y la respuesta generada. Mantén la evidencia relevante en la entrada y reserva espacio para la explicación final. El presupuesto de ejemplo de generación de la ficha es ilustrativo y no establece una longitud máxima universal independiente de respuesta.
Phi-4 puede proponer código, explicar una función o razonar sobre una entrada que falla. Proporciona la implementación, el comportamiento esperado y un caso representativo que distinga un resultado correcto. Solicita el entregable de código por separado de su explicación e identifica las interfaces que deben permanecer intactas.
El fabricante señala que la mayor parte del entrenamiento de código se basa en Python, en particular paquetes comunes de la biblioteca estándar. El uso de otros paquetes o lenguajes de programación requiere verificación cuidadosa de sus API. Una función o un script generado no se ha ejecutado solo porque parezca completo; ejecútalo en el entorno previsto y usa los errores u observaciones reales para revisar el resultado.
La representación de prompts del fabricante separa los turnos de sistema, usuario y asistente. Una instrucción del sistema puede definir el rol o el estilo de respuesta, mientras que el mensaje del usuario contiene el problema real. Conserva el formato del modelo exacto en lugar de copiar una plantilla posterior de Phi o asumir una función de entrada de imágenes o llamadas a herramientas de otra edición.
Phi-4 se entrena principalmente en inglés y no está pensado como un modelo multilingüe. Otros idiomas y variedades de inglés menos representadas pueden tener un rendimiento inferior. Proporciona la escritura precisa de los nombres técnicos y evalúa la respuesta en el idioma que necesita la tarea, en lugar de tratar la pequeña proporción multilingüe de los datos de entrenamiento como una compatibilidad amplia de idiomas.
La fecha de corte del entrenamiento con datos públicos es junio de 2024 y fechas anteriores. Para afirmaciones actuales o sensibles a las fuentes, proporciona material autorizado en el prompt. Microsoft también identifica la posibilidad de salidas inexactas, desactualizadas o sesgadas a pesar de la alineación. Revisa la respuesta final frente a las condiciones y las fuentes del problema. El entregable útil es una solución textual, una explicación o una propuesta de código cuyos supuestos y evidencia de apoyo permanezcan claros.
POST /v1/messagestextjson, sse| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites microsoft/phi-4 | Predeterminado— |
Campomessages | Tipomessage[] | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomessages[].role | Tipostring | RequisitoObligatorio | Valores y límites user, assistant | Predeterminado— |
Campomessages[].content | Tipostring | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campomax_tokens | Tipointeger | RequisitoObligatorio | Valores y límites | Predeterminado— |
Campostream | Tipoboolean | RequisitoOpcional | Valores y límites | Predeterminadofalse |
Texto · Texto UTF-8
cadena messages[].content
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, messages, max_tokens |
Parámetrooptional_controls | Contratostream |
Parámetromaterial_types | Contratotext |
Parámetrotext_file_material | ContratoLee el documento real en UTF-8 y coloca su texto en el campo input indicado o en la cadena de contenido del mensaje. |
Ciclo de vida: synchronous_or_streamed
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Tokens de contexto, más de | Tokens de contexto, hasta inclusive | Cargo |
|---|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Tokens de contexto, más de— | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00014 / 1K tokens Salida · Tokens de salida $0.00028 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| ConfiguraciónNivel 1 por longitud de la solicitud | Tabla de tarifas— | Tokens de contexto, más de0 | Tokens de contexto, hasta inclusiveSin límite superior | Cargo Entrada · Tokens de entrada $0.00014 / 1K tokens Salida · Tokens de salida $0.00028 / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
{\n "model": "microsoft/phi-4",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'microsoft/phi-4', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'microsoft/phi-4', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON o SSE
Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva todos los bloques de contenido, las firmas de razonamiento y los ID reales de uso de herramientas. Ensambla todos los fragmentos incrementales de los bloques SSE; el primer bloque de texto no constituye la salida completa.
Conserva los ID de solicitud y respuesta y los encabezados. No se proporciona una URL genérica para recuperar tareas de texto.
| Campo | Tipo |
|---|---|
Campoid | Tipostring |
Campomodel | Tipostring |
Campocontent[] | Tipotext|thinking|tool_use|other content block |
Campostop_reason | Tipostring|null |
Campousage | Tipoobject |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Ailoot Ultra microsoft/phi-4
Usa las rutas de método indicadas arriba.
Ejemplo técnico en inglés
Check a proposed batch size\n\nA machine makes exactly 12 parts per batch. A supervisor proposes five batches to supply 67 parts and says there will be three spare. Check the proposal using whole batches only. Give the first incorrect claim, the minimum sufficient batch count and the resulting spare-part count. Show the arithmetic briefly.A concise numerical check identifying the failing claim, sufficient batches and surplus.The calculation must use whole batches and meet the 67-part requirement.