O que é Phi-4-Reasoning-Vision-15B?
O Phi-4-Reasoning-Vision-15B é o modelo mais recente da família Phi de modelos pequenos da Microsoft, lançado em 4 de março de 2026. Ele combina o modelo de linguagem Phi-4-Reasoning com um encoder de imagens, então lê texto e imagens e escreve texto. Ele tem 15 bilhões de parâmetros e um contexto de 16.384 tokens.
Um único modelo cobre os dois estilos: ele pode raciocinar passo a passo ou responder diretamente, e você pode forçar qualquer um dos modos. Ele foi treinado principalmente em inglês e não se destina a uso multilíngue.
Os pesos são gratuitos sob a licença MIT no Hugging Face e no GitHub, e o modelo também é oferecido pelo Microsoft Foundry.
Phi-4-Reasoning-Vision-15B vale a pena?
O fato incômodo sobre o Phi-4-Reasoning-Vision-15B está no seu próprio model card. Contra o Qwen3-VL-8B-Instruct, um modelo com cerca de metade do tamanho, ele fica atrás em oito dos dez benchmarks que a Microsoft lista, incluindo OCRBench (76,0 contra 89,2), MathVista (75,2 contra 77,1) e o grounding de tela ScreenSpot-v2 (88,2 contra 91,5). Ele só passa à frente em diagramas do AI2D e no ChartQA, por 2,1 pontos ou menos.
Onde ele se sai bem é contra modelos mais antigos ou generalistas. Ele fica muito à frente do Phi-4-multimodal e do Gemma 3 12B em gráficos e telas; o Gemma 3 12B marca 3,5 no ScreenSpot-v2. A Microsoft o comparou apenas com modelos da era de 2025, não com o Gemma 4, e todos esses números são autodeclarados.
O contexto de 16.384 tokens é o teto prático. O encoder de visão pode gastar até 3.600 tokens em uma única imagem de alta resolução, então algumas capturas de tela e um traço de raciocínio esgotam a janela. A Microsoft recomenda bf16 no vLLM, o que significa cerca de 30GB de pesos; ela lista testes em GPUs A6000, A100, H100 e B200, não em placas de consumo.
A licença MIT e o modo de raciocínio alternável são vantagens reais, e as taxas de defeito de segurança publicadas (1,4% texto para texto, 4,5% imagem para texto) são mais do que a maioria dos lançamentos abertos oferece. A adoção não veio junto: a página no Hugging Face registrou cerca de 3.100 downloads no último mês, o que significa pouca quantização ou ferramental da comunidade em que se apoiar.
Onde ele se destaca
Um engenheiro de plataforma em uma empresa cujo jurídico só aprova licenças MIT ou Apache
Adicionar perguntas e respostas sobre gráficos e diagramas a uma ferramenta interna de analytics
Sirva em bf16 com vLLM em uma A100 ou A6000 e use o modo sem raciocínio pela velocidade. É uma escolha defensável pela licença, mas o Qwen3-VL-8B marca mais no mesmo card.
Uma equipe prototipando um agente de uso de computador para software desktop legado
Localizar botões e campos em capturas de tela
88,2 no ScreenSpot-v2 é suficiente para grounding, embora o contexto de 16K limite quantas telas cabem por passo. Conte com cortar o histórico de forma agressiva.
Um gerente de produto em uma startup de educação no Reino Unido
Explicar a alunos problemas de matemática manuscritos e de diagramas
O modo de raciocínio forçado eleva o MathVerse de 44,9 para 53,1, mas custa latência e tokens. O treinamento só em inglês o descarta para mercados multilíngues.
Antes de decidir
- Configuração
- Exige torch 2.7.1+, Transformers 4.57.1+ e, para servir, vLLM 0.15.2+; a Microsoft diz para sempre usar o chat template e um system prompt.
- Integrações
- Pesos no Hugging Face e no GitHub, hospedagem no Microsoft Foundry, vLLM e Transformers; a saída com ou sem raciocínio é forçada acrescentando um token ao template de geração.
- Dados e privacidade
- Licença MIT; auto-hospedar mantém imagens e prompts no local, e a hospedagem no Foundry segue os termos do Azure.
- Custo em escala
- Auto-hospedar exige uma GPU com bem mais de 30GB, como uma A6000 de 48GB ou uma A100 de 80GB; nenhum preço do Foundry é publicado: nem o model card nem a lista de preços de varejo do Azure, que traz medidores por token para outros modelos Phi-4, informa um.
- Limites
- Contexto de 16.384 tokens compartilhado entre imagens e texto; só em inglês; a Microsoft o lista como inadequado para aconselhamento médico, jurídico ou financeiro.
O que é bom
- Licença MIT sem restrições de uso
- Modos com e sem raciocínio em um único modelo
- Taxas de defeito de red-team de segurança publicadas
- Bem à frente do Gemma 3 12B em gráficos e telas
O que não é
- Atrás do Qwen3-VL-8B em 8 de 10 benchmarks na própria tabela da Microsoft
- Contexto de 16K tokens, com até 3.600 tokens por imagem
- Cerca de 30GB em bf16; testado apenas em GPUs de data center
- Só em inglês, segundo o próprio model card
Ideal para
Equipes com uma GPU de data center que precisam de um modelo de visão em inglês sob licença MIT para gráficos, diagramas e capturas de tela e estão dispostas a compará-lo antes com o Qwen3-VL.
Alternativas ao Phi-4-Reasoning-Vision-15B
Phi-4-Reasoning-Vision-15B: perguntas frequentes
- Phi-4-Reasoning-Vision-15B vale a pena?
- O Phi-4-Reasoning-Vision-15B é um modelo de visão sob licença MIT que perde para um Qwen de 8B na própria tabela da Microsoft. Damos nota 3.4 de 5.
- Quanto custa Phi-4-Reasoning-Vision-15B?
- Pesos gratuitos sob MIT; hospedagem no Microsoft Foundry cobrada à parte.
- Quais são as desvantagens de Phi-4-Reasoning-Vision-15B?
- Atrás do Qwen3-VL-8B em 8 de 10 benchmarks na própria tabela da Microsoft; contexto de 16K tokens, com até 3.600 tokens por imagem; cerca de 30GB em bf16; testado apenas em GPUs de data center; só em inglês, segundo o próprio model card.
- Para quem Phi-4-Reasoning-Vision-15B é indicado?
- Equipes com uma GPU de data center que precisam de um modelo de visão em inglês sob licença MIT para gráficos, diagramas e capturas de tela e estão dispostas a compará-lo antes com o Qwen3-VL.
- Quanto custa Phi-4-Reasoning-Vision-15B para uma equipe ou em produção?
- Auto-hospedar exige uma GPU com bem mais de 30GB, como uma A6000 de 48GB ou uma A100 de 80GB; nenhum preço do Foundry é publicado: nem o model card nem a lista de preços de varejo do Azure, que traz medidores por token para outros modelos Phi-4, informa um.
- Phi-4-Reasoning-Vision-15B é seguro para dados da empresa?
- Licença MIT; auto-hospedar mantém imagens e prompts no local, e a hospedagem no Foundry segue os termos do Azure.
- Quais são as melhores alternativas ao Phi-4-Reasoning-Vision-15B?
- As alternativas mais próximas que analisamos são Gemma 4, Mistral Small 4, Phi-4-multimodal e Nemotron 3.5 Super VL.
Respostas verificadas em 26 de out. de 2026.