Phi-4 est le transformeur dense à décodeur seul de 14 milliards de paramètres de Microsoft Research pour la génération de texte. Son développement privilégie des données d’entraînement de qualité et un raisonnement avancé dans un modèle relativement compact. Il accepte du texte, convient surtout à une consigne au format conversationnel et génère une réponse, une explication ou du code. L’édition exacte Phi-4 est distincte des versions ultérieures de raisonnement, mini et multimodales.
Le fabricant combine des documents publics et du code filtrés selon leur qualité, de nouvelles données pédagogiques synthétiques, des ouvrages universitaires acquis et des jeux de questions-réponses. Les données synthétiques enseignent mathématiques, programmation, raisonnement de sens commun et connaissances générales. L’ajustement supervisé et l’optimisation directe des préférences améliorent ensuite le respect des instructions et le comportement de réponse.
Le producteur positionne Phi-4 comme une brique pour les applications contraintes en mémoire ou en calcul, exigeant des réponses interactives et des tâches de raisonnement ou de logique, principalement en anglais. Donnez à la tâche toutes ses conditions et les informations sources nécessaires. Pour un problème mathématique, définissez les variables, restrictions de domaine et forme du résultat ; pour une explication, précisez le public et les concepts à relier.
Exemple de consigne utile : « Comparez ces conditions, déterminez si la solution proposée satisfait chacune et expliquez le premier échec. Signalez toute information manquante avant de conclure. » Pour une question fondée sur des sources, identifiez les passages et demandez le constat étayé par chacun. Demandez de préserver les noms, unités et hypothèses qui affectent le résultat.
Une longue consigne doit toujours avoir un objectif clair. Le contexte publié est de 16K tokens et contient ensemble les instructions, les sources textuelles, la conversation et la réponse générée. Gardez les éléments pertinents dans l’entrée et réservez de la place à l’explication finale. Le budget de génération donné en exemple dans la fiche est illustratif et ne définit pas de longueur maximale universelle de réponse indépendante.
Phi-4 peut proposer du code, expliquer une fonction ou raisonner sur une entrée qui échoue. Fournissez l’implémentation, le comportement attendu et un cas représentatif distinguant un résultat correct. Demandez le livrable de code séparément de son explication et identifiez les interfaces à préserver.
Le fabricant indique que l’entraînement au code repose surtout sur Python, particulièrement sur des modules courants de sa bibliothèque standard. L’emploi d’autres bibliothèques ou langages demande une vérification attentive des API. Une fonction ou un script généré n’a pas été exécuté simplement parce qu’il paraît complet ; lancez-le dans l’environnement prévu et utilisez les erreurs ou observations réelles pour réviser le résultat.
La représentation des consignes du fabricant sépare les tours système, utilisateur et assistant. Une instruction système peut définir le rôle ou le style de réponse, tandis que le message utilisateur contient le problème réel. Préservez le format du modèle exact plutôt que de copier un modèle de consigne Phi ultérieur ou de supposer une entrée image ou un appel d’outil d’une autre édition.
Phi-4 est entraîné principalement en anglais et n’est pas destiné à être un modèle multilingue. Les autres langues et variétés d’anglais moins représentées peuvent obtenir de moins bons résultats. Fournissez une formulation précise des noms techniques et évaluez la réponse dans la langue nécessaire, sans traiter la faible part multilingue de l’entraînement comme une large prise en charge linguistique.
La limite d’actualité des données publiques d’entraînement se situe en juin 2024 ou avant. Pour les affirmations actuelles ou dépendantes des sources, fournissez des documents faisant autorité dans la consigne. Microsoft signale aussi de possibles sorties inexactes, dépassées ou biaisées malgré l’alignement. Vérifiez la réponse finale à partir des conditions du problème et des sources. Le livrable utile est une solution textuelle, une explication ou une proposition de code dont les hypothèses et éléments justificatifs restent clairs.
", "aboutText": "Phi-4 est le transformeur dense à décodeur seul de 14 milliards de paramètres de Microsoft Research pour la génération de texte. Son développement privilégie des données d’entraînement de qualité et un raisonnement avancé dans un modèle relativement compact. Il accepte du texte, convient surtout à une consigne au format conversationnel et génère une réponse, une explication ou du code. L’édition exacte Phi-4 est distincte des versions ultérieures de raisonnement, mini et multimodales.\n\n### Entraînement et usages prévus\n\nLe fabricant combine des documents publics et du code filtrés selon leur qualité, de nouvelles données pédagogiques synthétiques, des ouvrages universitaires acquis et des jeux de questions-réponses. Les données synthétiques enseignent mathématiques, programmation, raisonnement de sens commun et connaissances générales. L’ajustement supervisé et l’optimisation directe des préférences améliorent ensuite le respect des instructions et le comportement de réponse.\n\nLe producteur positionne Phi-4 comme une brique pour les applications contraintes en mémoire ou en calcul, exigeant des réponses interactives et des tâches de raisonnement ou de logique, principalement en anglais. Donnez à la tâche toutes ses conditions et les informations sources nécessaires. Pour un problème mathématique, définissez les variables, restrictions de domaine et forme du résultat ; pour une explication, précisez le public et les concepts à relier.\n\n### Raisonner à partir d’un problème clair\n\nExemple de consigne utile : « Comparez ces conditions, déterminez si la solution proposée satisfait chacune et expliquez le premier échec. Signalez toute information manquante avant de conclure. » Pour une question fondée sur des sources, identifiez les passages et demandez le constat étayé par chacun. Demandez de préserver les noms, unités et hypothèses qui affectent le résultat.\n\nUne longue consigne doit toujours avoir un objectif clair. Le contexte publié est de 16K tokens et contient ensemble les instructions, les sources textuelles, la conversation et la réponse générée. Gardez les éléments pertinents dans l’entrée et réservez de la place à l’explication finale. Le budget de génération donné en exemple dans la fiche est illustratif et ne définit pas de longueur maximale universelle de réponse indépendante.\n\n### Aide à la programmation\n\nPhi-4 peut proposer du code, expliquer une fonction ou raisonner sur une entrée qui échoue. Fournissez l’implémentation, le comportement attendu et un cas représentatif distinguant un résultat correct. Demandez le livrable de code séparément de son explication et identifiez les interfaces à préserver.\n\nLe fabricant indique que l’entraînement au code repose surtout sur Python, particulièrement sur des modules courants de sa bibliothèque standard. L’emploi d’autres bibliothèques ou langages demande une vérification attentive des API. Une fonction ou un script généré n’a pas été exécuté simplement parce qu’il paraît complet ; lancez-le dans l’environnement prévu et utilisez les erreurs ou observations réelles pour réviser le résultat.\n\n### Format conversationnel et langue\n\nLa représentation des consignes du fabricant sépare les tours système, utilisateur et assistant. Une instruction système peut définir le rôle ou le style de réponse, tandis que le message utilisateur contient le problème réel. Préservez le format du modèle exact plutôt que de copier un modèle de consigne Phi ultérieur ou de supposer une entrée image ou un appel d’outil d’une autre édition.\n\nPhi-4 est entraîné principalement en anglais et n’est pas destiné à être un modèle multilingue. Les autres langues et variétés d’anglais moins représentées peuvent obtenir de moins bons résultats. Fournissez une formulation précise des noms techniques et évaluez la réponse dans la langue nécessaire, sans traiter la faible part multilingue de l’entraînement comme une large prise en charge linguistique.\n\n### Limites de fiabilité\n\nLa limite d’actualité des données publiques d’entraînement se situe en juin 2024 ou avant. Pour les affirmations actuelles ou dépendantes des sources, fournissez des documents faisant autorité dans la consigne. Microsoft signale aussi de possibles sorties inexactes, dépassées ou biaisées malgré l’alignement. Vérifiez la réponse finale à partir des conditions du problème et des sources. Le livrable utile est une solution textuelle, une explication ou une proposition de code dont les hypothèses et éléments justificatifs restent clairs.", "editorialOverlay": { "copy_fields": { "practical_html": "Exemple technique en anglais
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 est le modèle textuel de 14 milliards de paramètres de Microsoft Research pour le raisonnement en anglais, les mathématiques et l’aide à la programmation. Il utilise un contexte de 16K et un format d’instructions conversationnel, produisant des explications et du code proposé à partir d’un énoncé complet et de textes fournis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Phi-4 est le transformeur dense à décodeur seul de 14 milliards de paramètres de Microsoft Research pour la génération de texte. Son développement privilégie des données d’entraînement de qualité et un raisonnement avancé dans un modèle relativement compact. Il accepte du texte, convient surtout à une consigne au format conversationnel et génère une réponse, une explication ou du code. L’édition exacte Phi-4 est distincte des versions ultérieures de raisonnement, mini et multimodales.
Le fabricant combine des documents publics et du code filtrés selon leur qualité, de nouvelles données pédagogiques synthétiques, des ouvrages universitaires acquis et des jeux de questions-réponses. Les données synthétiques enseignent mathématiques, programmation, raisonnement de sens commun et connaissances générales. L’ajustement supervisé et l’optimisation directe des préférences améliorent ensuite le respect des instructions et le comportement de réponse.
Le producteur positionne Phi-4 comme une brique pour les applications contraintes en mémoire ou en calcul, exigeant des réponses interactives et des tâches de raisonnement ou de logique, principalement en anglais. Donnez à la tâche toutes ses conditions et les informations sources nécessaires. Pour un problème mathématique, définissez les variables, restrictions de domaine et forme du résultat ; pour une explication, précisez le public et les concepts à relier.
Exemple de consigne utile : « Comparez ces conditions, déterminez si la solution proposée satisfait chacune et expliquez le premier échec. Signalez toute information manquante avant de conclure. » Pour une question fondée sur des sources, identifiez les passages et demandez le constat étayé par chacun. Demandez de préserver les noms, unités et hypothèses qui affectent le résultat.
Une longue consigne doit toujours avoir un objectif clair. Le contexte publié est de 16K tokens et contient ensemble les instructions, les sources textuelles, la conversation et la réponse générée. Gardez les éléments pertinents dans l’entrée et réservez de la place à l’explication finale. Le budget de génération donné en exemple dans la fiche est illustratif et ne définit pas de longueur maximale universelle de réponse indépendante.
Phi-4 peut proposer du code, expliquer une fonction ou raisonner sur une entrée qui échoue. Fournissez l’implémentation, le comportement attendu et un cas représentatif distinguant un résultat correct. Demandez le livrable de code séparément de son explication et identifiez les interfaces à préserver.
Le fabricant indique que l’entraînement au code repose surtout sur Python, particulièrement sur des modules courants de sa bibliothèque standard. L’emploi d’autres bibliothèques ou langages demande une vérification attentive des API. Une fonction ou un script généré n’a pas été exécuté simplement parce qu’il paraît complet ; lancez-le dans l’environnement prévu et utilisez les erreurs ou observations réelles pour réviser le résultat.
La représentation des consignes du fabricant sépare les tours système, utilisateur et assistant. Une instruction système peut définir le rôle ou le style de réponse, tandis que le message utilisateur contient le problème réel. Préservez le format du modèle exact plutôt que de copier un modèle de consigne Phi ultérieur ou de supposer une entrée image ou un appel d’outil d’une autre édition.
Phi-4 est entraîné principalement en anglais et n’est pas destiné à être un modèle multilingue. Les autres langues et variétés d’anglais moins représentées peuvent obtenir de moins bons résultats. Fournissez une formulation précise des noms techniques et évaluez la réponse dans la langue nécessaire, sans traiter la faible part multilingue de l’entraînement comme une large prise en charge linguistique.
La limite d’actualité des données publiques d’entraînement se situe en juin 2024 ou avant. Pour les affirmations actuelles ou dépendantes des sources, fournissez des documents faisant autorité dans la consigne. Microsoft signale aussi de possibles sorties inexactes, dépassées ou biaisées malgré l’alignement. Vérifiez la réponse finale à partir des conditions du problème et des sources. Le livrable utile est une solution textuelle, une explication ou une proposition de code dont les hypothèses et éléments justificatifs restent clairs.
POST /v1/chat/completionstexttext| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites microsoft/phi-4 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites Nombre minimal d’éléments: 1 | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites Exemples : system, user, assistant, tool, function Conditions: Ces rôles sont explicitement représentés par les types de compatibilité du code source ; l’ensemble exact des rôles reste propre à chaque modèle. Selon le modèle | Par défaut— |
Champmessages[].content | Typestring|content_part[]|null | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_calls | Typetool_call[] | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].tool_call_id | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: role=tool ; utilisez l’identifiant réellement renvoyé | Par défaut— |
Champmessages[].name | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champmessages[].reasoning_content | Typestring | ExigenceFacultatif | Valeurs et limites S’applique lorsque: Réinjectez le raisonnement réellement renvoyé lorsque ce modèle l’utilise | Par défaut— |
Champmessages[].reasoning_details | Typeobject|array | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champmax_completion_tokens | Typeinteger | ExigenceFacultatif | Valeurs et limites Minimum: 1 Selon le modèle | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Champstream_options.include_usage | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtemperature | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtop_p | Typenumber | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champstop | Typestring|string[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools | Typefunction_tool[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champtools[].type | Typestring | ExigenceFacultatif | Valeurs et limites function Selon le modèle | Par défaut— |
Champtools[].function.name | Typestring | ExigenceObligatoire | Valeurs et limites S’applique lorsque: outil de fonction fourni | Par défaut— |
Champtools[].function.description | Typestring | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtools[].function.parameters | TypeJSON_schema | ExigenceFacultatif | Valeurs et limites | Par défaut— |
Champtool_choice | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champparallel_tool_calls | Typeboolean | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champresponse_format | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning_effort | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champreasoning | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champservice_tier | Typestring | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champinstructions | Typestring | ExigenceFacultatif | Valeurs et limites Champ de compatibilité | Par défaut— |
Champfunctions | Typefunction[] | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champfunction_call | Typestring|object | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champprompt_cache_options | Typeobject | ExigenceFacultatif | Valeurs et limites Selon le modèle | Par défaut— |
Champmodalities | Typestring[] | ExigenceFacultatif | Valeurs et limites text | Par défaut— |
Champprovider | Typeobject | ExigenceFacultatif | Valeurs et limites Conditions: provider.options est rejeté sur cette route textuelle Ultra | Par défaut— |
Champcache_control.ttl | Typestring | ExigenceFacultatif | Valeurs et limites Conditions: 1h est rejeté dans les emplacements réels du cache de prompt | Par défaut— |
Texte · Texte UTF8
messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages |
Paramètrematerial_types | Contrattext |
Paramètremessages | Contrattableau de messages avec une structure role/content |
Paramètrefile_material | Contratdocument UTF-8 réel inséré sous forme de texte littéral ; aucun identifiant de fichier déduit |
Paramètreoptional_controls | Contratstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Paramètrecontrol_scope | Contratpropre au modèle ; les outils de fonctions de l’utilisateur diffèrent des outils hébergés |
Paramètreoutput_modalities | Contrattext |
Paramètrehosted_operations | Contratfalse |
Paramètremultimodal_input_binding | Contratnull |
Cycle de vie : synchronous_or_streamed
Envoyez l’identifiant exact du modèle avec messages.
La longueur du contexte n’est pas un plafond de sortie.
Un fichier texte peut fournir du texte littéral ; les entrées image/audio/objets fichier nécessitent une liaison exacte.
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00014 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00014 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez chaque choix avec son contenu, ses appels d’outils et son raisonnement. En SSE, assemblez les deltas par index de choix et d’outil, puis conservez le motif final de terminaison et les données d’utilisation.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champchoices[].index | Typeinteger |
Champchoices[].message.content | Typestring|null |
Champchoices[].message.tool_calls | Typetool_call[] |
Champchoices[].message.reasoning_content | Typestring |
Champchoices[].message.reasoning_details | Typeobject|array |
Champchoices[].finish_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra microsoft/phi-4
Utilisez les chemins de méthode indiqués ci-dessus.
microsoft/phi-4Phi-4 est le modèle textuel de 14 milliards de paramètres de Microsoft Research pour le raisonnement en anglais, les mathématiques et l’aide à la programmation. Il utilise un contexte de 16K et un format d’instructions conversationnel, produisant des explications et du code proposé à partir d’un énoncé complet et de textes fournis.
Cette description présente les capacités du modèle. Les entrées, sorties et options disponibles dans Ailoot pour la méthode sélectionnée figurent ci-dessous.
Phi-4 est le transformeur dense à décodeur seul de 14 milliards de paramètres de Microsoft Research pour la génération de texte. Son développement privilégie des données d’entraînement de qualité et un raisonnement avancé dans un modèle relativement compact. Il accepte du texte, convient surtout à une consigne au format conversationnel et génère une réponse, une explication ou du code. L’édition exacte Phi-4 est distincte des versions ultérieures de raisonnement, mini et multimodales.
Le fabricant combine des documents publics et du code filtrés selon leur qualité, de nouvelles données pédagogiques synthétiques, des ouvrages universitaires acquis et des jeux de questions-réponses. Les données synthétiques enseignent mathématiques, programmation, raisonnement de sens commun et connaissances générales. L’ajustement supervisé et l’optimisation directe des préférences améliorent ensuite le respect des instructions et le comportement de réponse.
Le producteur positionne Phi-4 comme une brique pour les applications contraintes en mémoire ou en calcul, exigeant des réponses interactives et des tâches de raisonnement ou de logique, principalement en anglais. Donnez à la tâche toutes ses conditions et les informations sources nécessaires. Pour un problème mathématique, définissez les variables, restrictions de domaine et forme du résultat ; pour une explication, précisez le public et les concepts à relier.
Exemple de consigne utile : « Comparez ces conditions, déterminez si la solution proposée satisfait chacune et expliquez le premier échec. Signalez toute information manquante avant de conclure. » Pour une question fondée sur des sources, identifiez les passages et demandez le constat étayé par chacun. Demandez de préserver les noms, unités et hypothèses qui affectent le résultat.
Une longue consigne doit toujours avoir un objectif clair. Le contexte publié est de 16K tokens et contient ensemble les instructions, les sources textuelles, la conversation et la réponse générée. Gardez les éléments pertinents dans l’entrée et réservez de la place à l’explication finale. Le budget de génération donné en exemple dans la fiche est illustratif et ne définit pas de longueur maximale universelle de réponse indépendante.
Phi-4 peut proposer du code, expliquer une fonction ou raisonner sur une entrée qui échoue. Fournissez l’implémentation, le comportement attendu et un cas représentatif distinguant un résultat correct. Demandez le livrable de code séparément de son explication et identifiez les interfaces à préserver.
Le fabricant indique que l’entraînement au code repose surtout sur Python, particulièrement sur des modules courants de sa bibliothèque standard. L’emploi d’autres bibliothèques ou langages demande une vérification attentive des API. Une fonction ou un script généré n’a pas été exécuté simplement parce qu’il paraît complet ; lancez-le dans l’environnement prévu et utilisez les erreurs ou observations réelles pour réviser le résultat.
La représentation des consignes du fabricant sépare les tours système, utilisateur et assistant. Une instruction système peut définir le rôle ou le style de réponse, tandis que le message utilisateur contient le problème réel. Préservez le format du modèle exact plutôt que de copier un modèle de consigne Phi ultérieur ou de supposer une entrée image ou un appel d’outil d’une autre édition.
Phi-4 est entraîné principalement en anglais et n’est pas destiné à être un modèle multilingue. Les autres langues et variétés d’anglais moins représentées peuvent obtenir de moins bons résultats. Fournissez une formulation précise des noms techniques et évaluez la réponse dans la langue nécessaire, sans traiter la faible part multilingue de l’entraînement comme une large prise en charge linguistique.
La limite d’actualité des données publiques d’entraînement se situe en juin 2024 ou avant. Pour les affirmations actuelles ou dépendantes des sources, fournissez des documents faisant autorité dans la consigne. Microsoft signale aussi de possibles sorties inexactes, dépassées ou biaisées malgré l’alignement. Vérifiez la réponse finale à partir des conditions du problème et des sources. Le livrable utile est une solution textuelle, une explication ou une proposition de code dont les hypothèses et éléments justificatifs restent clairs.
POST /v1/messagestextjson, sse| Champ | Type | Exigence | Valeurs et limites | Par défaut |
|---|---|---|---|---|
Champmodel | Typestring | ExigenceObligatoire | Valeurs et limites microsoft/phi-4 | Par défaut— |
Champmessages | Typemessage[] | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmessages[].role | Typestring | ExigenceObligatoire | Valeurs et limites user, assistant | Par défaut— |
Champmessages[].content | Typestring | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champmax_tokens | Typeinteger | ExigenceObligatoire | Valeurs et limites | Par défaut— |
Champstream | Typeboolean | ExigenceFacultatif | Valeurs et limites | Par défautfalse |
Texte · Texte UTF-8
chaîne messages[].content
| Paramètre | Contrat |
|---|---|
Paramètrecontent_type | Contratapplication/json |
Paramètrerequired | Contratmodel, messages, max_tokens |
Paramètreoptional_controls | Contratstream |
Paramètrematerial_types | Contrattext |
Paramètretext_file_material | ContratLisez le document UTF-8 réel et placez son texte dans l’entrée indiquée ou dans la chaîne de contenu du message. |
Cycle de vie : synchronous_or_streamed
Les tarifs n’ajoutent pas d’options de requête. Les paramètres pris en charge figurent dans la méthode sélectionnée.
Associez chaque coût aux conditions indiquées. Utilisez un seul tarif pour chaque ensemble de configurations alternatives.
| Configuration | Barème tarifaire | Tokens de contexte, plus de | Tokens de contexte, jusqu’à la limite incluse | Coût |
|---|---|---|---|---|
| ConfigurationTarifs de base des tokens | Barème tarifaireTarif de base | Tokens de contexte, plus de— | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00014 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
| ConfigurationPalier 1 de longueur de requête | Barème tarifaire— | Tokens de contexte, plus de0 | Tokens de contexte, jusqu’à la limite incluseSans borne supérieure | Coût Entrée · Tokens en entrée $0.00014 / 1K tokens Sortie · Tokens en sortie $0.00028 / 1K tokens Entrée · Lecture du cache — / 1K tokens Entrée · Écriture dans le cache — / 1K tokens Entrée · Écriture dans le cache, 1 h — / 1K tokens |
Ailoot réserve un montant estimé avant une requête. Après le résultat, le montant final est débité selon l’utilisation mesurée. Pour le streaming, le montant final à débiter est calculé à partir du relevé final d’utilisation. Fonctionnement de la réservation et du débit →
{\n "model": "microsoft/phi-4",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${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 ou SSE
Conservez chaque réponse, fichier et partie de contenu renvoyés dans leur intégralité.
Conservez tous les blocs de contenu, les signatures de raisonnement et les identifiants réels d’utilisation d’outils. Assemblez tous les deltas de blocs SSE ; un premier bloc de texte ne constitue pas la sortie complète.
Conservez les identifiants de requête et de réponse ainsi que les en-têtes. Aucune URL générique de récupération des tâches textuelles n’est fournie.
| Champ | Type |
|---|---|
Champid | Typestring |
Champmodel | Typestring |
Champcontent[] | Typetext|thinking|tool_use|other content block |
Champstop_reason | Typestring|null |
Champusage | Typeobject |
| Réponse | Condition | Étape suivante |
|---|---|---|
Réponse400 · invalid_request_error | ConditionChamps obligatoires, représentation des contenus ou valeur de paramètre non valides | Étape suivanteCorrigez les champs indiqués avant une nouvelle requête de création. |
Ailoot Ultra microsoft/phi-4
Utilisez les chemins de méthode indiqués ci-dessus.
Exemple technique en anglais
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.