Requisiti VRAM di Microsoft Phi-4-mini-instruct (3.8B), dimen…

Simulatore interattivo di memoria e contesto per Microsoft Phi-4-mini-instruct (3.8B)

Quantizzazione dei pesi (bpw)

Precisione KV Cache

GPU di destinazione / fascia memoria unificata

Dispositivi (TP)

Lunghezza contesto (token) 32,768 token

Ripartizione memoria e limite di banda passante

Entra comodamente

Pesi del modello: 29.7% KV: 54.7% Overhead: 15.6%

Memoria totale richiesta

7.31 GB

Allocazione per dispositivo: 7.31 GB

Pesi del modello

2.17 GB

KV Cache (FP16): 4.00 GB

Decodifica stimata (singolo flusso)

34.0 tok/s

Overhead runtime e TP: 1.14 GB

Contesto max prima di OOM

69,114

token

La compressione KV architetturale risparmia il 66.7% rispetto a MHA FP16 standard (12.00 GB).

Matrice VRAM per precisione e quantizzazione (contesto 8K / 32K / 128K)

Memoria GPU totale richiesta in base alla precisione dei pesi e alla lunghezza del contesto (batch = 1, KV cache FP16)
Precisione / Formato	bpw effettivi	Solo pesi	Totale @ ctx 8K	Totale @ ctx 32K	Totale @ ctx 128K	Fascia consigliata (@ 32K)
FP16 / BF16	16.00 bpw	7.15 GB	9.44 GB	12.44 GB	24.44 GB	RTX 4060 Ti 16GB
FP8	8.50 bpw	3.80 GB	5.99 GB	8.99 GB	20.99 GB	RTX 3060 12GB
Q8_0	8.50 bpw	3.80 GB	5.99 GB	8.99 GB	20.99 GB	RTX 3060 12GB
Q6_K	6.56 bpw	2.93 GB	5.10 GB	8.10 GB	20.10 GB	RTX 3060 12GB
Q5_K_M	5.69 bpw	2.54 GB	4.70 GB	7.70 GB	19.70 GB	RTX 3060 12GB
Q4_K_M	4.85 bpw	2.17 GB	4.31 GB	7.31 GB	19.31 GB	RTX 3060 12GB
AWQ INT4	4.50 bpw	2.01 GB	4.15 GB	7.15 GB	19.15 GB	RTX 3060 12GB
IQ4_XS	4.25 bpw	1.90 GB	4.03 GB	7.03 GB	19.03 GB	RTX 3060 12GB

Compatibilità hardware e velocità di decodifica (Microsoft Phi-4-mini-instruct (3.8B) @ Q4_K_M, contesto 32K)

Esito di compatibilità, utilizzo memoria e throughput di decodifica stimato sulle principali GPU e Apple Silicon
Fascia hardware	Memoria e banda	Richiesta (32K)	Compatibilità	Velocità decod. stimata
RTX 3090 24GB	24 GB · 936 GB/s	7.31 GB (31%)	Entra comodamente	88.4 tok/s
RTX 4090 24GB	24 GB · 1008 GB/s	7.31 GB (31%)	Entra comodamente	95.2 tok/s
RTX 5090 32GB	32 GB · 1792 GB/s	7.31 GB (23%)	Entra comodamente	169.3 tok/s
Apple M-Max 64GB	64 GB · 546 GB/s	6.94 GB (11%)	Entra comodamente	48.5 tok/s
Mac Studio 128GB	128 GB · 546 GB/s	6.94 GB (5%)	Entra comodamente	48.5 tok/s
Mac Studio 192GB	192 GB · 800 GB/s	6.94 GB (4%)	Entra comodamente	71.1 tok/s
NVIDIA A100 80GB	80 GB · 2039 GB/s	7.31 GB (9%)	Entra comodamente	203.9 tok/s
NVIDIA H100 80GB	80 GB · 3350 GB/s	7.31 GB (9%)	Entra comodamente	335.1 tok/s

Parametri verificati dell’architettura Transformer

Checkpoint ID: microsoft/Phi-4-mini-instruct
Ollama Tag: phi4-mini:3.8b
License / Release: MIT · 2025-Q1
Topologia e attenzione: Transformer denso
Meccanismo di attenzione: Attenzione a query raggruppate (GQA)
Parametri totali (B): 3.84B
Parametri attivi / token (B): 3.84B
Livelli nascosti / Dimensione nascosta: 32 / 3072
Teste di query / Teste KV: 24Q / 8KV (d=128)
Vocab / Max Position: 200,064 / 131,072

I formati quantizzati memorizzano fattori di scala per blocco e zero-point accanto ai pesi interi compatti. Un checkpoint GGUF Q4_K_M a 4 bit richiede in media 4.85 bit effettivi per parametro (non 4.00), mentre Q8_0 si attesta a 8.50 bpw. Nei modelli Mixture-of-Experts, tutti gli esperti instradati e condivisi restano residenti in memoria per evitare il paging dall’host a ogni token.

La Grouped-Query Attention standard alloca 2 × L × H_kv × d_head × S × B × bytes_kv lungo i livelli. La Multi-head Latent Attention di DeepSeek (MLA) comprime chiavi e valori in L × (d_kv_lora + d_qk_rope) × S × B × bytes_kv, riducendo di oltre il 90% la memoria sui contesti lunghi. I modelli ibridi a finestra scorrevole limitano i livelli di attenzione locale a min(S, window_size) facendo scalare linearmente con S quelli globali.

Comandi rapidi vLLM e Ollama per Microsoft Phi-4-mini-instruct (3.8B)

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

# 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