Was ist Phi-4-Reasoning-Vision-15B?
Phi-4-Reasoning-Vision-15B ist das neueste Modell in Microsofts Phi-Familie kleiner Modelle, erschienen am 4. März 2026. Es kombiniert das Sprachmodell Phi-4-Reasoning mit einem Bildencoder, liest also Text und Bilder und schreibt Text. Es hat 15 Milliarden Parameter und einen Kontext von 16.384 Tokens.
Ein Modell beherrscht beide Stile: Es kann schrittweise nachdenken oder direkt antworten, und du kannst jeden der beiden Modi erzwingen. Es ist überwiegend auf Englisch trainiert und nicht für mehrsprachigen Einsatz gedacht.
Die Gewichte sind unter der MIT-Lizenz kostenlos auf Hugging Face und GitHub verfügbar, und das Modell wird auch über Microsoft Foundry angeboten.
Lohnt sich Phi-4-Reasoning-Vision-15B?
Die unangenehme Tatsache über Phi-4-Reasoning-Vision-15B steht in seiner eigenen Modellkarte. Gegen Qwen3-VL-8B-Instruct, ein Modell von etwa halber Größe, liegt es auf acht der zehn Benchmarks zurück, die Microsoft aufführt, darunter OCRBench (76,0 gegenüber 89,2), MathVista (75,2 gegenüber 77,1) und das Screen Grounding auf ScreenSpot-v2 (88,2 gegenüber 91,5). Nur bei AI2D-Diagrammen und ChartQA liegt es knapp vorn, mit höchstens 2,1 Punkten.
Gut schneidet es gegen ältere oder allgemeine Modelle ab. Bei Diagrammen und Bildschirmen liegt es weit vor Phi-4-multimodal und Gemma 3 12B; Gemma 3 12B kommt auf ScreenSpot-v2 auf 3,5. Microsoft verglich es nur mit Modellen aus dem Jahr 2025, nicht mit Gemma 4, und alle diese Werte sind selbst gemeldet.
Der Kontext von 16.384 Tokens ist die praktische Obergrenze. Der Vision-Encoder kann für ein einzelnes hochaufgelöstes Bild bis zu 3.600 Tokens verbrauchen, ein paar Screenshots und ein Reasoning-Verlauf füllen das Fenster also aus. Microsoft empfiehlt bf16 auf vLLM, was rund 30GB an Gewichten bedeutet; getestet wurde laut Microsoft auf A6000-, A100-, H100- und B200-GPUs, nicht auf Consumer-Karten.
Die MIT-Lizenz und der umschaltbare Reasoning-Modus sind echte Vorteile, und die veröffentlichten Fehlerraten aus den Sicherheitstests (1,4 % bei Text zu Text, 4,5 % bei Bild zu Text) sind mehr, als die meisten offenen Releases bieten. Die Verbreitung ist ausgeblieben: Die Hugging-Face-Seite verzeichnete im vergangenen Monat etwa 3.100 Downloads. Es gibt also kaum Quantisierungen oder Werkzeuge aus der Community, auf die man sich stützen könnte.
Wo es sich lohnt
Ein Platform Engineer in einem Unternehmen, dessen Rechtsabteilung nur MIT- oder Apache-Lizenzen freigibt
Einem internen Analysewerkzeug Fragen und Antworten zu Diagrammen und Schaubildern hinzufügen
Betreibe es in bf16 mit vLLM auf einer A100 oder A6000 und nutze für Tempo den Non-Thinking-Modus. Bei der Lizenz ist es eine vertretbare Wahl, aber Qwen3-VL-8B schneidet auf derselben Karte besser ab.
Ein Team, das einen Computer-Use-Agenten für alte Desktop-Software prototypisch baut
Schaltflächen und Felder auf Screenshots finden
88,2 auf ScreenSpot-v2 reicht fürs Grounding, auch wenn der 16K-Kontext begrenzt, wie viele Bildschirme pro Schritt hineinpassen. Rechne damit, den Verlauf stark kürzen zu müssen.
Eine Produktmanagerin bei einem Bildungs-Startup in Großbritannien
Schülern handschriftliche Mathe- und Diagrammaufgaben erklären
Der erzwungene Thinking-Modus hebt MathVerse von 44,9 auf 53,1, kostet aber Latenz und Tokens. Das rein englische Training schließt es für mehrsprachige Märkte aus.
Bevor du dich festlegst
- Einrichtung
- Braucht torch 2.7.1+, Transformers 4.57.1+ und fürs Serving vLLM 0.15.2+; Microsoft rät, immer das Chat-Template und einen System-Prompt zu verwenden.
- Integrationen
- Gewichte auf Hugging Face und GitHub, Hosting über Microsoft Foundry, vLLM und Transformers; Thinking- oder Non-Thinking-Ausgabe wird erzwungen, indem ein Token an das Generierungs-Template angehängt wird.
- Daten und Datenschutz
- MIT-Lizenz; beim Selbsthosting bleiben Bilder und Prompts lokal, und für das Hosting über Foundry gelten Azures Bedingungen.
- Kosten im großen Maßstab
- Selbsthosting braucht eine GPU mit deutlich mehr als 30GB, etwa eine A6000 mit 48GB oder eine A100 mit 80GB; ein Foundry-Preis ist nicht veröffentlicht: Weder die Modellkarte noch Azures Einzelhandelspreisliste, die für andere Phi-4-Modelle Tarife pro Token führt, nennt einen.
- Grenzen
- Kontext von 16.384 Tokens, den sich Bilder und Text teilen; nur Englisch; Microsoft bezeichnet es als ungeeignet für medizinische, rechtliche oder finanzielle Beratung.
Was gut ist
- MIT-Lizenz ohne Nutzungsbeschränkungen
- Thinking- und Non-Thinking-Modus in einem Modell
- Veröffentlichte Fehlerraten aus dem Red-Teaming
- Bei Diagrammen und Bildschirmen weit vor Gemma 3 12B
Was nicht
- In Microsofts eigener Tabelle auf 8 von 10 Benchmarks hinter Qwen3-VL-8B
- Kontext von 16K Tokens, mit bis zu 3.600 Tokens pro Bild
- Etwa 30GB in bf16; nur auf Rechenzentrums-GPUs getestet
- Laut eigener Modellkarte nur Englisch
Am besten für
Teams mit einer Rechenzentrums-GPU, die ein englisches Vision-Modell unter MIT-Lizenz für Diagramme, Schaubilder und Screenshots brauchen und bereit sind, es vorher mit Qwen3-VL zu vergleichen.
Alternativen zu Phi-4-Reasoning-Vision-15B
Phi-4-Reasoning-Vision-15B: häufige Fragen
- Lohnt sich Phi-4-Reasoning-Vision-15B?
- Phi-4-Reasoning-Vision-15B ist ein Vision-Modell unter MIT-Lizenz, das auf Microsofts eigener Wertungstabelle gegen ein Qwen mit 8B verliert. Wir bewerten es mit 3.4 von 5.
- Was kostet Phi-4-Reasoning-Vision-15B?
- Kostenlose Gewichte unter MIT; Hosting über Microsoft Foundry wird gesondert berechnet.
- Welche Nachteile hat Phi-4-Reasoning-Vision-15B?
- In Microsofts eigener Tabelle auf 8 von 10 Benchmarks hinter Qwen3-VL-8B; Kontext von 16K Tokens, mit bis zu 3.600 Tokens pro Bild; Etwa 30GB in bf16; nur auf Rechenzentrums-GPUs getestet; Laut eigener Modellkarte nur Englisch.
- Für wen eignet sich Phi-4-Reasoning-Vision-15B?
- Teams mit einer Rechenzentrums-GPU, die ein englisches Vision-Modell unter MIT-Lizenz für Diagramme, Schaubilder und Screenshots brauchen und bereit sind, es vorher mit Qwen3-VL zu vergleichen.
- Was kostet Phi-4-Reasoning-Vision-15B für ein Team oder im Produktivbetrieb?
- Selbsthosting braucht eine GPU mit deutlich mehr als 30GB, etwa eine A6000 mit 48GB oder eine A100 mit 80GB; ein Foundry-Preis ist nicht veröffentlicht: Weder die Modellkarte noch Azures Einzelhandelspreisliste, die für andere Phi-4-Modelle Tarife pro Token führt, nennt einen.
- Ist Phi-4-Reasoning-Vision-15B sicher für Firmendaten?
- MIT-Lizenz; beim Selbsthosting bleiben Bilder und Prompts lokal, und für das Hosting über Foundry gelten Azures Bedingungen.
- Was sind die besten Alternativen zu Phi-4-Reasoning-Vision-15B?
- Die nächsten Alternativen, die wir getestet haben, sind Gemma 4, Mistral Small 4, Phi-4-multimodal und Nemotron 3.5 Super VL.
Antworten geprüft am 26. Okt. 2026.