VRAMLab

Microsoft Phi-4-mini-instruct (3.8B) — Besoins VRAM, matrice de quantification et guide GPU

Microsoft Phi-4-mini-instruct (3.8B) (Microsoft Phi, MIT) repose sur une architecture Transformer dense comptant 3.84B paramètres résidents (3.84B actifs par token), 32 couches et Attention à requêtes groupées (GQA) prenant en charge jusqu’à 131,072 tokens de contexte.

Charger dans le calculateur VRAM → Générer une config vLLM / Ollama → Comparer GPU auto-hébergé vs API → Comparer les tarifs API en direct sur DevToken →

Simulateur interactif de mémoire et de contexte pour Microsoft Phi-4-mini-instruct (3.8B)

32,768 tokens

Répartition mémoire et plafond de bande passante

Tient confortablement
Poids du modèle: 29.7% KV: 54.7% Overhead: 15.6%
Mémoire totale requise
7.31 Go
Allocation par périphérique: 7.31 Go
Poids du modèle
2.17 Go
Cache KV (FP16): 4.00 Go
Décodage estimé (1 flux)
34.0 tok/s
Surcharge runtime et TP: 1.14 Go
Contexte max avant OOM
69,114
tokens

La compression KV architecturale économise 66.7 % par rapport au MHA FP16 naïf (12.00 Go).

Matrice VRAM par précision et quantification (contexte 8K / 32K / 128K)

Mémoire GPU totale requise selon la précision des poids et la longueur du contexte (batch = 1, cache KV FP16)
Précision / Format bpw effectifs Poids seuls Total @ ctx 8K Total @ ctx 32K Total @ ctx 128K Palier recommandé (@ 32K)
FP16 / BF16 16.00 bpw 7.15 Go 9.44 Go 12.44 Go 24.44 Go RTX 4060 Ti 16GB
FP8 8.50 bpw 3.80 Go 5.99 Go 8.99 Go 20.99 Go RTX 3060 12GB
Q8_0 8.50 bpw 3.80 Go 5.99 Go 8.99 Go 20.99 Go RTX 3060 12GB
Q6_K 6.56 bpw 2.93 Go 5.10 Go 8.10 Go 20.10 Go RTX 3060 12GB
Q5_K_M 5.69 bpw 2.54 Go 4.70 Go 7.70 Go 19.70 Go RTX 3060 12GB
Q4_K_M 4.85 bpw 2.17 Go 4.31 Go 7.31 Go 19.31 Go RTX 3060 12GB
AWQ INT4 4.50 bpw 2.01 Go 4.15 Go 7.15 Go 19.15 Go RTX 3060 12GB
IQ4_XS 4.25 bpw 1.90 Go 4.03 Go 7.03 Go 19.03 Go RTX 3060 12GB

Compatibilité matérielle et vitesse de décodage (Microsoft Phi-4-mini-instruct (3.8B) @ Q4_K_M, contexte 32K)

Statut de compatibilité, utilisation mémoire et débit de décodage estimé sur les GPU phares et Apple Silicon
Palier matériel Mémoire et bande passante Requis (32K) Compatibilité Débit décodage est.
RTX 3090 24GB 24 Go · 936 GB/s 7.31 Go (31%) Tient confortablement 88.4 tok/s
RTX 4090 24GB 24 Go · 1008 GB/s 7.31 Go (31%) Tient confortablement 95.2 tok/s
RTX 5090 32GB 32 Go · 1792 GB/s 7.31 Go (23%) Tient confortablement 169.3 tok/s
Apple M-Max 64GB 64 Go · 546 GB/s 6.94 Go (11%) Tient confortablement 48.5 tok/s
Mac Studio 128GB 128 Go · 546 GB/s 6.94 Go (5%) Tient confortablement 48.5 tok/s
Mac Studio 192GB 192 Go · 800 GB/s 6.94 Go (4%) Tient confortablement 71.1 tok/s
NVIDIA A100 80GB 80 Go · 2039 GB/s 7.31 Go (9%) Tient confortablement 203.9 tok/s
NVIDIA H100 80GB 80 Go · 3350 GB/s 7.31 Go (9%) Tient confortablement 335.1 tok/s

Paramètres vérifiés de l’architecture Transformer

Checkpoint ID
microsoft/Phi-4-mini-instruct
Ollama Tag
phi4-mini:3.8b
License / Release
MIT · 2025-Q1
Topologie et attention
Transformer dense
Mécanisme d’attention
Attention à requêtes groupées (GQA)
Paramètres totaux (B)
3.84B
Paramètres actifs / token (B)
3.84B
Couches cachées / Dimension cachée
32 / 3072
Têtes de requête / Têtes KV
24Q / 8KV (d=128)
Vocab / Max Position
200,064 / 131,072

Les formats quantifiés stockent des facteurs d’échelle et des points zéro par bloc aux côtés des poids entiers compressés. Un checkpoint GGUF Q4_K_M 4 bits occupe en moyenne 4.85 bits effectifs par paramètre (et non 4.00), tandis que Q8_0 atteint 8.50 bpw. Pour les architectures Mixture-of-Experts, l’ensemble des experts routés et partagés reste résident en mémoire afin d’éviter la pagination hôte à chaque token.

L’attention à requêtes groupées standard alloue 2 × L × H_kv × d_head × S × B × bytes_kv sur l’ensemble des couches. L’attention latente multi-têtes de DeepSeek (MLA) compresse clés et valeurs en L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, réduisant de plus de 90 % l’empreinte mémoire sur long contexte. Les modèles hybrides à fenêtre glissante plafonnent les couches locales à min(S, window_size) tout en faisant croître linéairement les couches globales avec S.

Commandes rapides vLLM et Ollama pour Microsoft Phi-4-mini-instruct (3.8B)

CLI vLLM (RTX 3060 12GB) 
vllm serve microsoft/Phi-4-mini-instruct \
  --tensor-parallel-size 1 \
  --max-model-len 32768 \
  --max-num-seqs 8 \
  --gpu-memory-utilization 0.95 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --port 8000
Modelfile Ollama 
# Save as Modelfile, then run: ollama create phi-4-mini-3-8b-custom -f Modelfile
FROM phi4-mini:3.8b
PARAMETER num_ctx 32768
PARAMETER num_batch 512
PARAMETER flash_attn true

# Environment variables for ollama serve:
# OLLAMA_NUM_PARALLEL=8 OLLAMA_FLASH_ATTENTION=1 OLLAMA_KV_CACHE_TYPE=q8_0 ollama serve

Comparer les modèles proches et de taille similaire à poids ouverts

Microsoft Phi-4 (14B)

Microsoft Phi · 14.7B (GQA)

16.0 Go @ Q4_K_M · RTX 3090 24GB

Llama 3.1 8B Instruct

Meta Llama · 8.03B (GQA)

9.8 Go @ Q4_K_M · RTX 3060 12GB

Qwen3-8B

Qwen · 8.2B (GQA)

10.4 Go @ Q4_K_M · RTX 3060 12GB

GLM-4-9B-0414

Zhipu GLM · 9.4B (GQA)

7.9 Go @ Q4_K_M · RTX 3060 12GB

Gemma 3 12B IT (Multimodal)

Google Gemma · 12.2B (HYBRID_SWA)

10.5 Go @ Q4_K_M · RTX 3060 12GB

Qwen3-14B

Qwen · 14.8B (GQA)

14.8 Go @ Q4_K_M · RTX 4060 Ti 16GB