Microsoft Research
Phi-4 评测成绩
来自 5 个来源、8 项基准的 9 条成绩。
其他名称: phi-4 · Phi-4 14b · Phi-4 (Prompt) · Phi-4-reasoning · microsoft/phi-4
全部评测成绩
| 基准 | 分数 | 名次 | 设定 | 来源类型 | 日期 |
|---|---|---|---|---|---|
| LMArena Text | 1256 | 318 | Overall, style control on; 24126 votes; 95% CI 1252–1261“phi-4” | 官方榜单 | 2026年10月8日 |
| Open LLM Leaderboard v2 | 30.4% | 969 | Average of 6 normalised benchmarks; bfloat16; 14.66B params“microsoft/phi-4” | 官方榜单 | 2025年3月13日 |
| Open LLM Leaderboard v2 | 29.5% | 1112 | Average of 6 normalised benchmarks; float16; 14.66B params“microsoft/phi-4” | 官方榜单 | 2025年3月13日 |
| GPQA Diamond | 56.1% | 190 | Epoch AI run, accuracy | 独立评测 | 2025年1月31日 |
| MMLU | 84.8% | 7 | Exact match; 5-shot | 论文 / 技术报告 via Epoch AI | 2024年12月12日 |
| MMLU-Pro | 70.4% | 99 | Overall accuracy; data source: Self-Reported; 14B | 厂商自报 | 2026年3月11日 |
| AIME (OTIS Mock AIME 2024–2025) | 13.8% | 213 | Epoch AI run, OTIS Mock AIME 2024–2025 | 独立评测 | 2025年2月25日 |
| MATH Level 5 | 64.9% | 47 | Epoch AI run, accuracy | 独立评测 | 2025年1月31日 |
| BFCL v4 (function calling) | 28.8% | 70 | Overall accuracy; prompt-based“Phi-4 (Prompt)” | 官方榜单 | 2026年10月17日 |
本站相关
常见问题
Phi-4 的这些评测分数来自哪里？
来自 Epoch AI Benchmarking Hub、Berkeley Function Calling Leaderboard (BFCL)、LMArena leaderboard dataset、MMLU-Pro leaderboard (TIGER-Lab)和Hugging Face Open LLM Leaderboard v2 (archived)。每一行都链接到原始榜单、数据集或报告，厂商自报的分数单独标注。