Qu’est-ce que Phi-4-Reasoning-Vision-15B ?
Phi-4-Reasoning-Vision-15B est le nouveau modèle de la famille Phi de petits modèles de Microsoft, sorti le 4 mars 2026. Il combine le modèle de langage Phi-4-Reasoning avec un encodeur d'image, si bien qu'il lit le texte et les images et écrit du texte. Il a 15 milliards de paramètres et un contexte de 16 384 tokens.
Un seul modèle gère les deux styles : il peut raisonner étape par étape ou répondre directement, et vous pouvez forcer l'un ou l'autre mode. Il est entraîné principalement sur l'anglais et n'est pas destiné à un usage multilingue.
Les poids sont gratuits sous la licence MIT sur Hugging Face et GitHub, et le modèle est aussi proposé via Microsoft Foundry.
Phi-4-Reasoning-Vision-15B vaut-il le coup ?
Le fait gênant à propos de Phi-4-Reasoning-Vision-15B est dans sa propre fiche de modèle. Face à Qwen3-VL-8B-Instruct, un modèle d'environ la moitié de sa taille, il est derrière sur huit des dix benchmarks que Microsoft liste, dont OCRBench (76,0 contre 89,2), MathVista (75,2 contre 77,1) et l'ancrage d'écran ScreenSpot-v2 (88,2 contre 91,5). Il ne devance que sur les diagrammes AI2D et ChartQA, de 2,1 points ou moins.
Là où il fait bien, c'est face aux modèles plus anciens ou généraux. Il est largement devant Phi-4-multimodal et Gemma 3 12B sur les graphiques et les écrans ; Gemma 3 12B obtient 3,5 sur ScreenSpot-v2. Microsoft ne l'a comparé qu'avec des modèles de l'ère 2025, pas Gemma 4, et tous ces scores sont autodéclarés.
Le contexte de 16 384 tokens est le plafond pratique. L'encodeur de vision peut dépenser jusqu'à 3 600 tokens sur une seule image haute résolution, si bien que quelques captures d'écran et une trace de raisonnement épuisent la fenêtre. Microsoft recommande le bf16 sur vLLM, ce qui signifie environ 30GB de poids ; il liste des tests sur des GPU A6000, A100, H100 et B200, pas des cartes grand public.
La licence MIT et le mode de raisonnement commutable sont de vrais avantages, et ses taux de défauts de sécurité publiés (1,4 % texte-vers-texte, 4,5 % image-vers-texte) sont plus que ce que la plupart des versions ouvertes offrent. L'adoption n'a pas suivi : la page Hugging Face a enregistré environ 3 100 téléchargements le mois dernier, ce qui signifie peu de quantification communautaire ou d'outillage sur lequel s'appuyer.
Là où il fait la différence
Un ingénieur plateforme dans une entreprise dont l'équipe juridique n'approuve que les licences MIT ou Apache
Ajouter la réponse à des questions sur graphiques et diagrammes à un outil d'analyse interne
Le servir en bf16 avec vLLM sur un A100 ou A6000 et utiliser le mode non-thinking pour la vitesse. C'est un choix défendable sur la licence, mais Qwen3-VL-8B obtient un meilleur score sur la même fiche.
Une équipe qui prototype un agent d'usage d'ordinateur pour un logiciel desktop hérité
Localiser les boutons et champs sur des captures d'écran
88,2 sur ScreenSpot-v2 est correct pour l'ancrage, même si le contexte de 16K limite le nombre d'écrans qui tiennent par étape. Attendez-vous à plafonner l'historique agressivement.
Un chef de produit dans une startup d'éducation au Royaume-Uni
Expliquer aux élèves des problèmes de maths et de diagrammes manuscrits
Le mode thinking forcé fait passer MathVerse de 44,9 à 53,1, mais coûte de la latence et des tokens. L'entraînement en anglais uniquement l'exclut des marchés multilingues.
Avant de vous engager
- Mise en route
- Nécessite torch 2.7.1+, Transformers 4.57.1+ et, pour le service, vLLM 0.15.2+ ; Microsoft indique de toujours utiliser le modèle de chat et un prompt système.
- Intégrations
- Poids Hugging Face et GitHub, hébergement Microsoft Foundry, vLLM et Transformers ; sortie thinking ou non-thinking forcée en ajoutant un token au modèle de génération.
- Données et confidentialité
- Licence MIT ; l'auto-hébergement garde les images et les prompts en local, et l'hébergement Foundry suit les conditions d'Azure.
- Coût à grande échelle
- L'auto-hébergement a besoin d'un GPU avec bien plus de 30GB, comme un A6000 de 48GB ou un A100 de 80GB ; aucun prix Foundry n'est publié : ni la fiche du modèle ni la liste de prix de détail d'Azure, qui porte des compteurs au token pour d'autres modèles Phi-4, n'en liste un.
- Limites
- Contexte de 16 384 tokens partagé entre les images et le texte ; anglais uniquement ; Microsoft le liste comme inadapté aux conseils médicaux, juridiques ou financiers.
Les points forts
- Licence MIT sans restrictions d'usage
- Modes thinking et non-thinking dans un seul modèle
- Taux de défauts de red-team de sécurité publiés
- Largement devant Gemma 3 12B sur les graphiques et les écrans
Les points faibles
- Derrière Qwen3-VL-8B sur 8 des 10 benchmarks dans le propre tableau de Microsoft
- Contexte de 16K tokens, avec jusqu'à 3 600 tokens par image
- Environ 30GB en bf16 ; testé uniquement sur des GPU de centre de données
- Anglais uniquement, selon la déclaration de la fiche du modèle
Idéal pour
Les équipes avec un GPU de centre de données qui ont besoin d'un modèle de vision anglais sous licence MIT pour les graphiques, les diagrammes et les captures d'écran et sont prêtes à le comparer d'abord avec Qwen3-VL.
Alternatives à Phi-4-Reasoning-Vision-15B
Phi-4-Reasoning-Vision-15B : questions fréquentes
- Phi-4-Reasoning-Vision-15B vaut-il le coup ?
- Phi-4-Reasoning-Vision-15B est un modèle de vision sous licence MIT qui perd face à un Qwen de 8B sur le propre tableau de score de Microsoft. Nous lui donnons 3.4 sur 5.
- Combien coûte Phi-4-Reasoning-Vision-15B ?
- Poids gratuits sous MIT ; hébergement Microsoft Foundry facturé séparément.
- Quels sont les inconvénients de Phi-4-Reasoning-Vision-15B ?
- Derrière Qwen3-VL-8B sur 8 des 10 benchmarks dans le propre tableau de Microsoft; contexte de 16K tokens, avec jusqu'à 3 600 tokens par image; environ 30GB en bf16 ; testé uniquement sur des GPU de centre de données; anglais uniquement, selon la déclaration de la fiche du modèle.
- À qui s’adresse Phi-4-Reasoning-Vision-15B ?
- Les équipes avec un GPU de centre de données qui ont besoin d'un modèle de vision anglais sous licence MIT pour les graphiques, les diagrammes et les captures d'écran et sont prêtes à le comparer d'abord avec Qwen3-VL.
- Combien coûte Phi-4-Reasoning-Vision-15B pour une équipe ou en production ?
- L'auto-hébergement a besoin d'un GPU avec bien plus de 30GB, comme un A6000 de 48GB ou un A100 de 80GB ; aucun prix Foundry n'est publié : ni la fiche du modèle ni la liste de prix de détail d'Azure, qui porte des compteurs au token pour d'autres modèles Phi-4, n'en liste un.
- Phi-4-Reasoning-Vision-15B est-il sûr pour les données de l’entreprise ?
- Licence MIT ; l'auto-hébergement garde les images et les prompts en local, et l'hébergement Foundry suit les conditions d'Azure.
- Quelles sont les meilleures alternatives à Phi-4-Reasoning-Vision-15B ?
- Les alternatives les plus proches que nous avons testées sont Gemma 4, Mistral Small 4, Phi-4-multimodal et Nemotron 3.5 Super VL.
Réponses vérifiées le 26 oct. 2026.