Phi-4 localmente: instalar com Ollama, VRAM e velocidade

#Por que Phi-4?

Phi-4 é a sequência lógica da família Phi da Microsoft Research: modelos de pequeno porte, treinados principalmente com dados sintéticos cuidadosamente elaborados, pensados para competir com modelos muito maiores em tarefas de raciocínio. A versão 4, lançada no final de 2024, expande essa abordagem para 14B de parâmetros e alcança resultados notáveis em GPQA, MATH e HumanEval — muitas vezes acima de Llama 3.3 70B nesses benchmarks específicos.

Na prática, é um modelo que cabe em 9 GB de VRAM em Q4_K_M, portanto acessível a uma GPU de entrada com 12 GB, como uma RTX 3060 ou uma RTX 4070. E ele se sai razoavelmente bem mesmo usando apenas a CPU, desde que você tenha 16 GB de RAM. É esse equilíbrio entre tamanho e qualidade que o torna um excelente candidato para auto-hospedagem com recursos modestos.

#Pré-requisitos

Ollama instalado

Windows, macOS ou Linux. Se você ainda não instalou o Ollama, seguir o guia de instalação leva 3 minutos.

VRAM para a quantização Q4_K_M

≈ 9 GB. Uma RTX 3060 de 12 GB, uma RTX 4070 de 12 GB ou um Mac com 16 GB de memória unificada passam sem problemas.

RAM do CPU se não houver GPU

No mínimo 16 GB para Q4. Espere de 4 a 8 tokens/s em um Ryzen 5 ou Core i5 recente — utilizável para testes, mas não para um chat fluido.

10 GB de espaço em disco

O modelo Q4_K_M pesa aproximadamente 9 GB. Reserve mais se quiser também testar o Phi-4-Mini em paralelo.

#1. Instalar o Ollama

Se o Ollama já está instalado, pule diretamente para a próxima seção. Caso contrário, veja como instalá-lo com um único comando no Linux e no macOS.

curl -fsSL https://ollama.com/install.sh | sh

No Windows, baixe o instalador do site oficial.

https://ollama.com/download/windows

Após instalado, o daemon Ollama escuta na porta 11434.

ollama --version
curl http://localhost:11434/api/tags

#2. Baixar Phi-4

O Phi-4 está disponível no catálogo oficial do Ollama. A tag padrão baixa a quantização Q4_K_M, que oferece o equilíbrio recomendado.

ollama pull phi4

O download tem aproximadamente 9 GB. Para escolher explicitamente outra quantização, especifique a tag.

ollama pull phi4:14b-q4_K_M    # ≈ 9 Go  (défaut)
ollama pull phi4:14b-q5_K_M    # ≈ 10 Go
ollama pull phi4:14b-q8_0      # ≈ 15 Go
ollama pull phi4:14b-fp16      # ≈ 29 Go (sans quantization)

#3. Primeiros testes: matemática, código, raciocínio

Inicie uma sessão interativa para verificar se o modelo está funcionando e testar seus pontos fortes.

ollama run phi4

Você deverá ver um prompt `>>>`. É nos exercícios lógicos e técnicos que o Phi-4 se destaca. Alguns prompts reveladores:

>>> Une boutique vend des stylos à 0,80 € pièce. Si vous en achetez 12 ou plus, le prix tombe à 0,65 € pièce. À partir de combien de stylos est-il plus économique de commander une boîte de 12 ?

Phi-4 desenvolve o raciocínio passo a passo e chega ao resultado. Para código, trata com facilidade Python e JavaScript padrão.

>>> Écris une fonction Python qui prend une liste d'entiers et renvoie le sous-tableau contigu de somme maximale (algorithme de Kadane). Avec docstring et 3 cas de test.

#4. Qualidade em francês: os verdadeiros pontos fracos

É aqui que o Phi-4 mostra suas limitações. O modelo foi treinado majoritariamente com conteúdo em inglês (e muitos dados sintéticos gerados em inglês). O francês está presente no corpus, mas é claramente secundário.

Gramática e concordância

Bons em frases simples, mas com erros de concordância, anglicismos e construções pesadas assim que se pede a redação de textos longos.

Termos técnicos FR

Tendência a usar termos em inglês ("endpoint", "deployment", "thread") mesmo quando existe um equivalente comum em francês.

Compreensão

Entende muito bem um prompt em francês. O problema é a geração.

Código comentado em FR

Os comentários de código mudam frequentemente para inglês durante a geração. Dê a instrução explicitamente; isso ajuda, mas não resolve tudo.

Cultura FR

Baixo. Conhecimento superficial da jurisprudência, da história ou das instituições francesas. Está longe de ser um modelo adequado para redigir uma nota jurídica em francês.

Uma dica que ajuda um pouco: um prompt de sistema rigoroso força o modelo a continuar respondendo em francês, ao custo de respostas às vezes mais curtas.

>>> /set system "Tu réponds exclusivement en français, sans jamais basculer en anglais. Les commentaires de code, les noms de variables explicatifs et les titres restent en français."

#5. Phi-4-Mini: a versão 3.8B

A Microsoft lançou paralelamente Phi-4-Mini, uma variante de 3,8B destinada a configurações muito restritas: laptops sem GPU dedicada, Raspberry Pi 5, dispositivos de borda. Com 2,5 GB em Q4, ela roda em qualquer máquina moderna.

ollama pull phi4-mini

VRAM/RAM necessária

≈ 2,5 GB em Q4_K_M. Pode ser executado em um MacBook Air M1 com 8 GB ou em um PC com GPU de 4 GB.

Velocidade

Muito rápido. 80+ tok/s na RTX 3060, 30+ tok/s em CPU recente.

Pontos fortes

Segue bem instruções curtas, é adequado para ajudar com prompts, reformulações simples e classificação.

Fraquezas

Raciocínio complexo e código longo estão além de suas capacidades. Trata-se de um modelo de apoio, não um substituto da versão 14B.

#6. Phi-4 vs Qwen 3.5 9B

Em 2026, o concorrente direto mais relevante é o Qwen 3.5 9B da Alibaba. Um pouco mais compacto (6,6 GB em Q4 contra 9 GB para o Phi-4), ele cabe na mesma GPU de 12 GB e visa o mesmo público-alvo. O que os diferencia:

Raciocínio e matemática

Phi-4 leva vantagem nos benchmarks formais (GPQA, MATH). No uso prático em problemas comuns, a diferença é menor do que se imagina.

Código

Qwen 3.5 9B é, de modo geral, melhor em linguagens menos comuns (Rust, Go, SQL avançado). Phi-4 continua competitivo em Python e JS.

Francês

Qwen 3.5 é claramente melhor. Muito mais dados multilíngues no treinamento, vocabulário mais rico, menos mudanças para o inglês. Vantagem clara do Qwen nesse critério.

Contexto

Qwen 3.5 9B aceita até 256k tokens de contexto; Phi-4 tem um limite de 16k. Se você trabalha com documentos longos, Qwen é muito mais adequado.

Capacidade de seguir instruções

Phi-4 segue com mais precisão as instruções estruturadas (formato JSON, restrições rígidas). Qwen é um pouco mais "criativo" e pode tomar liberdades.

#Solução de problemas

"Out of memory" ao carregar

A sua VRAM não é suficiente para a quantização escolhida. Mude para Q4_K_M (a opção mais leve que ainda é útil) ou deixe o Ollama fazer o offload parcial para a CPU com `ollama run phi4 --num-gpu N`, onde N é o número de camadas a colocar na GPU.

Geração a 1–2 token/s em uma máquina com GPU

O modelo provavelmente está rodando na CPU. Use `ollama ps` para verificar a coluna "PROCESSOR". Se ela indicar 100% CPU, libere VRAM (Chrome, jogos, outros modelos carregados) e execute o modelo novamente.

Respostas que mudam para inglês durante a geração

Comportamento esperado do Phi-4 em francês. Reforçar o prompt de sistema ajuda parcialmente. Para uso recorrente em francês, mude de modelo em vez de insistir.

Contexto truncado a 4096 tokens

Ollama carrega por padrão um contexto curto. Amplie-o explicitamente: `/set parameter num_ctx 16384`. Quanto a ir além, o Phi-4 foi treinado apenas até 16k — não adianta aumentar mais.

O modelo inventa fatos recentes

O Phi-4 tem seu conhecimento congelado na data de treinamento (fim de 2024) e um conhecimento geral menos amplo que o de modelos maiores. Para informações factuais atualizadas, é necessário um pipeline RAG, não apenas o modelo.

#Para se aprofundar

Phi-4 é um bom ponto de entrada para LLMs de 14B em ambiente local. Algumas dicas para avançar com sua instalação:

Testar um concorrente direto

O guia de testes do Qwen 3 apresenta benchmarks comparáveis em hardware de uso comum, úteis para fazer a comparação usando seus próprios prompts.

Escolher a quantização certa

O guia "Escolher a quantização (Q4, Q5, Q8, FP16)" detalha os compromissos entre qualidade e memória que também se aplicam ao Phi-4.

Rodar Phi-4 sem GPU

Se você estiver usando apenas CPU, o guia "Executar um LLM localmente sem GPU" complementa o que está descrito aqui com otimizações específicas.