/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Phi-4-multimodal-instruct
Библиотека
other
Опубликована
16 фев 2026

phi4-multimodal-quantisized-gguf

Описание изображенийИзображение → текст15 профессий

ShayanCyan/phi4-multimodal-quantisized-gguf — это набор предварительно сконвертированных GGUF-весов модели microsoft/Phi-4-multimodal-instruct, подготовленный для локального запуска через специализированную ветку llama.cpp.

1 782скачиваний за 30 дней9лайковвеса обновлены16 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Репозиторий содержит квантизированную языковую модель phi4-mm-Q4_K_M.gguf и отдельный мультимодальный проектор phi4-mm-omni.gguf с визуальным энкодером на основе SigLIP/Navit-style и аудиоэнкодером Conformer. Нового обучения или новых обучающих данных набор не добавляет.

Модель предназначена для локального инференса, исследований, экспериментов и создания прототипов агентов, работающих с текстом, изображениями и аудио. Она поддерживает следование инструкциям, рассуждения, программирование и многоходовой диалог, визуальные вопросы и ответы, создание описаний изображений, анализ документов и графиков, а также автоматическое распознавание речи, перевод с английского на французский и суммаризацию аудио при наличии соответствующего Conformer-пути. Заявленные языки: английский, урду, немецкий, испанский, турецкий, французский и итальянский.

Основная языковая модель использует 4-битную групповую квантизацию Q4_K_M, тогда как мультимодальный проектор хранится в F16/F32 для сохранения качества работы с изображениями и аудио. Для запуска требуются совместимые возможности llama.cpp и одновременное подключение языковой модели и mmproj-файла. К преимуществам относятся локальная работа, поддержка нескольких модальностей и снижение требований к памяти за счёт квантизации. Ограничения включают возможные галлюцинации и ошибки интерпретации; модель не следует применять для медицинских, юридических или критически важных решений без проверки человеком. Использование регулируется лицензией phi4-model-license от Microsoft; необходимо соблюдать условия исходной лицензии.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Phi-4 Multimodal – Quantized GGUF + Omni Projector

This repository provides pre-converted GGUF weights for running microsoft/Phi-4-multimodal-instruct with a quantized language model and a multimodal projector (mmproj) on top of a specialized llama.cpp fork.

The goal is to make Phi‑4 multimodal practical to run locally for text, vision, and audio tasks. All weights here are format conversions of the original Microsoft model and do not introduce new training data.


Files in This Repository

  • phi4-mm-Q4_K_M.gguf: Quantized Phi‑4 multimodal language model (LLM).
    • Quantization: Q4_K_M (4‑bit group-wise).
    • Usage: Your main -m model in llama.cpp.
  • phi4-mm-omni.gguf: Multimodal projector (mmproj).
    • Contents: Vision encoder (SigLIP/Navit-style) and audio Conformer encoder.
    • Precision: Stored in F16 / F32 to preserve multimodal quality.
    • Usage: Your --mmproj or -mm model in llama.cpp.
  • (Optional variants): phi4-mm-f16.gguf (unquantized ref), phi4-mm-vision-q8.gguf (alternative quantization).

Intended Use

These GGUF files are designed for:

  • Local inference with llama.cpp or compatible runtimes.
  • Research and experimentation on multimodal reasoning.
  • Prototyping agents that consume text, images, and audio.

Not intended for:


How These GGUFs Were Created

1. Download the Base Model

git lfs install
git clone [https://huggingface.co/microsoft/Phi-4-multimodal-instruct](https://huggingface.co/microsoft/Phi-4-multimodal-instruct) phi-4-multimodal

# Phi-4-Multimodal Deployment Guide (llama.cpp)

## 2. Export the text LLM to GGUF
python convert_hf_to_gguf.py \
  /path/to/phi-4-multimodal \
  --outtype f16 \
  --outfile phi4-mm-f16.gguf

## 3. Quantize the LLM
./build/bin/llama-quantize \
  phi4-mm-f16.gguf \
  phi4-mm-Q4_K_M.gguf \
  Q4_K_M

## 4. Export the Multimodal Projector (mmproj)
To extract the vision and audio encoders into a separate GGUF:

python convert_hf_to_gguf.py \
  /path/to/phi-4-multimodal \
  --mmproj \
  --outtype f16 \
  --outfile phi4-mm-omni.gguf

Technical Note: A custom MmprojModel path in the conversion script maps tensors from model.embed_tokens_extend.* to the CLIP-style and Conformer layouts expected by the llama.cpp runtime.

---

## How to Use (llama.cpp)

### Server Mode (Recommended)
This exposes an OpenAI-style HTTP API supporting multimodal prompts.

./build/bin/llama-server \
  -m /path/to/phi4-mm-Q4_K_M.gguf \
  -mm /path/to/phi4-mm-omni.gguf \
  --host 0.0.0.0 \
  --port 8080

Vision: Send image_url parts or MTMD markers.
Audio: Send audio content according to the multimodal documentation.

### CLI Mode
./build/bin/llama-cli \
  -m /path/to/phi4-mm-Q4_K_M.gguf \
  -mm /path/to/phi4-mm-omni.gguf \
  --color \
  --prompt "Explain this image in detail:"

---

## Example Capabilities
- Text: Instruction following, reasoning, coding, multi‑turn chat.
- Vision: Visual question answering (VQA), captioning, document/chart understanding.
- Audio: Automatic speech recognition (ASR), translation (EN → FR), and summarization (where Conformer path is enabled).

## Limitations & Risks
- Hallucinations: May misinterpret content or hallucinate facts.
- Verification: Not suitable for medical, legal, or safety-critical decisions without human verification.
- Compliance: You must comply with the original Microsoft license.

## Acknowledgements
- Base model: microsoft/Phi-4-multimodal-instruct
- Serving stack: llama.cpp and its contributors.
- Special thanks to the Microsoft Phi-4 team for the underlying pretraining.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · other

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
cbcd2c4

0 моделей