Phi-4 14B в квантизации Q4_K_M с контекстом 8 тысяч токенов занимает 10,8 ГБ видеопамяти. Самый дешёвый вариант сейчас — RTX 3060 12 ГБ, от 6,95 ₽/ч.
Размер файла весов и вся нужная видеопамять с кэшем контекста. Одна видеокарта, один запрос.
| Квантизация | Файл | Контекст 8K | Хватит видеокарты |
|---|---|---|---|
| BF16 | 27,3 | 29,8 | Tesla V100 Super 32 ГБ |
| Q8_0 | 14,5 | 17,0 | RTX 4000 Ada 20 ГБ |
| Q6_K | 11,2 | 13,7 | RTX A4000 16 ГБ |
| Q5_K_M | 9,7 | 12,2 | RTX A4000 16 ГБ |
| Q4_K_M | 8,3 | 10,8 | RTX 3060 12 ГБ |
| Q3_K_M | 6,7 | 9,2 | RTX 3080 10 ГБ |
| Q2_K | 5,2 | 7,7 | RTX 4060 8 ГБ |
Сколько памяти занимает кэш на один запрос в FP16. Q8-кэш почти вдвое меньше. 200 КБ на токен.
Видеокарты из каталога, на которых модель помещается, по цене за час.
Цена — от самой дешёвой видеокарты этой модели × число GPU. Сервер на 2–8 видеокарт бывает немного дороже за штуку.
В шаблоне Ollama модель ставится одной командой:
ollama run phi4:14bДля API с высокой нагрузкой — шаблон vLLM с OpenAI-совместимым API.
Размеры файлов сверены с Hugging Face 2026-10-19. 1 ГБ здесь — 1024³ байт, как у видеокарт. На Hugging Face размеры в десятичных гигабайтах, поэтому там числа на 7% больше.