¿Qué es Phi-4-Reasoning-Vision-15B?
Phi-4-Reasoning-Vision-15B es el modelo más reciente de la familia Phi de modelos pequeños de Microsoft, lanzado el 4 de marzo de 2026. Combina el modelo de lenguaje Phi-4-Reasoning con un codificador de imágenes, así que lee texto e imágenes y escribe texto. Tiene 15.000 millones de parámetros y un contexto de 16.384 tokens.
Un solo modelo cubre los dos estilos: puede razonar paso a paso o responder directamente, y puedes forzar cualquiera de los dos modos. Está entrenado principalmente en inglés y no está pensado para uso multilingüe.
Los pesos son gratuitos bajo la licencia MIT en Hugging Face y GitHub, y el modelo también se ofrece en Microsoft Foundry.
¿Merece la pena Phi-4-Reasoning-Vision-15B?
El dato incómodo sobre Phi-4-Reasoning-Vision-15B está en su propia ficha. Frente a Qwen3-VL-8B-Instruct, un modelo de más o menos la mitad de tamaño, queda por detrás en ocho de las diez pruebas que enumera Microsoft, entre ellas OCRBench (76,0 frente a 89,2), MathVista (75,2 frente a 77,1) y la localización en pantalla de ScreenSpot-v2 (88,2 frente a 91,5). Solo se adelanta en los diagramas de AI2D y en ChartQA, por 2,1 puntos o menos.
Donde sale bien parado es frente a modelos más antiguos o generales. Supera con mucho a Phi-4-multimodal y a Gemma 3 12B en gráficos y pantallas; Gemma 3 12B saca 3,5 en ScreenSpot-v2. Microsoft solo lo comparó con modelos de 2025, no con Gemma 4, y todas estas puntuaciones son autodeclaradas.
El contexto de 16.384 tokens es el techo práctico. El codificador de visión puede gastar hasta 3.600 tokens en una sola imagen de alta resolución, así que unas pocas capturas de pantalla y una traza de razonamiento agotan la ventana. Microsoft recomienda bf16 en vLLM, lo que supone unos 30GB de pesos; indica pruebas en GPU A6000, A100, H100 y B200, no en tarjetas de consumo.
La licencia MIT y el modo de razonamiento conmutable son ventajas reales, y sus tasas de defectos de seguridad publicadas (1,4 % de texto a texto, 4,5 % de imagen a texto) son más de lo que ofrecen la mayoría de los lanzamientos abiertos. La adopción no ha acompañado: la página de Hugging Face registró unas 3.100 descargas el último mes, lo que significa poca cuantización o herramientas de la comunidad en las que apoyarse.
Dónde se gana su sitio
Un ingeniero de plataforma en una empresa cuyo equipo legal solo aprueba licencias MIT o Apache
Añadir respuestas a preguntas sobre gráficos y diagramas a una herramienta interna de analítica
Sírvelo en bf16 con vLLM en una A100 o A6000 y usa el modo sin razonamiento para ganar velocidad. Es una elección defendible por la licencia, pero Qwen3-VL-8B puntúa más alto en la misma ficha.
Un equipo que prototipa un agente de uso del ordenador para software de escritorio heredado
Localizar botones y campos en capturas de pantalla
Un 88,2 en ScreenSpot-v2 es aceptable para la localización, aunque el contexto de 16K limita cuántas pantallas caben por paso. Cuenta con recortar el historial de forma agresiva.
Una responsable de producto en una startup educativa del Reino Unido
Explicar a los alumnos problemas de matemáticas manuscritos y de diagramas
Forzar el modo de razonamiento sube MathVerse de 44,9 a 53,1, pero cuesta latencia y tokens. Al estar entrenado solo en inglés, queda descartado para mercados multilingües.
Antes de decidirte
- Puesta en marcha
- Requiere torch 2.7.1+, Transformers 4.57.1+ y, para servirlo, vLLM 0.15.2+; Microsoft dice que se use siempre la plantilla de chat y una instrucción de sistema.
- Integraciones
- Pesos en Hugging Face y GitHub, alojamiento en Microsoft Foundry, vLLM y Transformers; la salida con o sin razonamiento se fuerza añadiendo un token a la plantilla de generación.
- Datos y privacidad
- Licencia MIT; autoalojarlo mantiene en local las imágenes y las instrucciones, y el alojamiento en Foundry sigue las condiciones de Azure.
- Coste a escala
- Autoalojarlo requiere una GPU con bastante más de 30GB, como una A6000 de 48GB o una A100 de 80GB; no hay precio publicado en Foundry: ni la ficha del modelo ni la lista de precios minoristas de Azure, que incluye tarifas por token para otros modelos Phi-4, lo indican.
- Límites
- Contexto de 16.384 tokens compartido entre imágenes y texto; solo inglés; Microsoft indica que no es adecuado para asesoramiento médico, legal ni financiero.
Lo bueno
- Licencia MIT sin restricciones de uso
- Modos con y sin razonamiento en un solo modelo
- Tasas de defectos de red team de seguridad publicadas
- Muy por delante de Gemma 3 12B en gráficos y pantallas
Lo malo
- Por detrás de Qwen3-VL-8B en 8 de 10 pruebas en la propia tabla de Microsoft
- Contexto de 16K tokens, con hasta 3.600 tokens por imagen
- Unos 30GB en bf16; probado solo en GPU de centro de datos
- Solo inglés, según la propia ficha del modelo
Ideal para
Equipos con una GPU de centro de datos que necesitan un modelo de visión en inglés con licencia MIT para gráficos, diagramas y capturas de pantalla, y que están dispuestos a compararlo antes con Qwen3-VL.
Alternativas a Phi-4-Reasoning-Vision-15B
Phi-4-Reasoning-Vision-15B: preguntas frecuentes
- ¿Merece la pena Phi-4-Reasoning-Vision-15B?
- Phi-4-Reasoning-Vision-15B es un modelo de visión con licencia MIT que pierde frente a un Qwen de 8B en la propia tabla de Microsoft. Le damos un 3.4 sobre 5.
- ¿Cuánto cuesta Phi-4-Reasoning-Vision-15B?
- Pesos gratuitos bajo MIT; el alojamiento en Microsoft Foundry se factura aparte.
- ¿Qué inconvenientes tiene Phi-4-Reasoning-Vision-15B?
- Por detrás de Qwen3-VL-8B en 8 de 10 pruebas en la propia tabla de Microsoft; contexto de 16K tokens, con hasta 3.600 tokens por imagen; unos 30GB en bf16; probado solo en GPU de centro de datos; solo inglés, según la propia ficha del modelo.
- ¿Para quién es Phi-4-Reasoning-Vision-15B?
- Equipos con una GPU de centro de datos que necesitan un modelo de visión en inglés con licencia MIT para gráficos, diagramas y capturas de pantalla, y que están dispuestos a compararlo antes con Qwen3-VL.
- ¿Cuánto cuesta Phi-4-Reasoning-Vision-15B para un equipo o en producción?
- Autoalojarlo requiere una GPU con bastante más de 30GB, como una A6000 de 48GB o una A100 de 80GB; no hay precio publicado en Foundry: ni la ficha del modelo ni la lista de precios minoristas de Azure, que incluye tarifas por token para otros modelos Phi-4, lo indican.
- ¿Es Phi-4-Reasoning-Vision-15B seguro para los datos de la empresa?
- Licencia MIT; autoalojarlo mantiene en local las imágenes y las instrucciones, y el alojamiento en Foundry sigue las condiciones de Azure.
- ¿Cuáles son las mejores alternativas a Phi-4-Reasoning-Vision-15B?
- Las alternativas más cercanas que hemos analizado son Gemma 4, Mistral Small 4, Phi-4-multimodal y Nemotron 3.5 Super VL.
Respuestas comprobadas el 26 oct 2026.