> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/fr/modeles/tutorials/phi-4-reasoning-how-to-run-and-fine-tune.md).
# Phi-4 Reasoning : comment l'exécuter et le fine-tuner
Apprenez à exécuter et fine-tuner localement des modèles de raisonnement Phi-4 avec Unsloth et nos quants dynamiques 2.0
Les nouveaux modèles de raisonnement Phi-4 de Microsoft sont désormais pris en charge dans Unsloth. La variante « plus » affiche des performances comparables à celles de o1-mini, o3-mini et Sonnet 3.7 d’OpenAI. Les modèles de raisonnement « plus » et standard ont 14 milliards de paramètres, tandis que le « mini » en a 4 milliards.\
\
Tous les téléversements Phi-4 reasoning utilisent notre [Unsloth Dynamic 2.0](/docs/fr/notions-de-base/dynamic-3.0-ggufs.md) méthodologie.
#### **Téléversements Phi-4 reasoning - Unsloth Dynamic 2.0 :**
| Dynamic 2.0 GGUF (pour exécuter) | Safetensor dynamique 4 bits (pour affiner/déployer) |
| ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| | |
## 🖥️ **Exécution de Phi-4 reasoning**
### :gear: Paramètres officiels recommandés
Selon Microsoft, voici les paramètres recommandés pour l'inférence :
* **Température = 0.8**
* Top\_P = 0.95
### **Modèles de chat Phi-4 reasoning**
Veuillez vous assurer d’utiliser le bon modèle de chat, car la variante « mini » en a un différent.
#### **Phi-4-mini :**
{% code overflow="wrap" %}
```
<|system|>Votre nom est Phi, un expert en mathématiques IA développé par Microsoft.<|end|><|user|>Comment résoudre 3*x^2+4*x+5=1 ?<|end|><|assistant|>
```
{% endcode %}
#### **Phi-4-reasoning et Phi-4-reasoning-plus :**
Ce format est utilisé pour les conversations générales et les instructions :
{% code overflow="wrap" %}
```
<|im_start|>system<|im_sep|>Vous êtes Phi, un modèle de langage entraîné par Microsoft pour aider les utilisateurs. Votre rôle d’assistant consiste à explorer les questions en profondeur au moyen d’un processus de réflexion systématique avant de fournir la solution finale, précise et exacte. Cela nécessite de suivre un cycle complet d’analyse, de synthèse, d’exploration, de réévaluation, de réflexion, de remontée des pistes et d’itération afin de développer un processus de réflexion bien pensé. Veuillez structurer votre réponse en deux sections principales : Réflexion et Solution en utilisant le format spécifié : {Section de réflexion} {Section de solution}. Dans la section de réflexion, détaillez votre raisonnement par étapes. Chaque étape doit inclure des considérations détaillées telles que l’analyse des questions, la synthèse des éléments pertinents, le remue-méninges d’idées nouvelles, la vérification de l’exactitude des étapes actuelles, l’amélioration d’éventuelles erreurs et la révision des étapes précédentes. Dans la section Solution, sur la base de divers essais, explorations et réflexions de la section Réflexion, présentez systématiquement la solution finale que vous jugez correcte. La section Solution doit être logique, précise et concise, et détailler les étapes nécessaires pour parvenir à la conclusion. Maintenant, essayez de résoudre la question suivante en suivant les directives ci-dessus :<|im_end|><|im_start|>user<|im_sep|>Combien font 1+1 ?<|im_end|><|im_start|>assistant<|im_sep|>
```
{% endcode %}
{% hint style="info" %}
Oui, le format du modèle de chat / prompt est aussi long !
{% endhint %}
### 🦙 Ollama : Tutoriel pour exécuter Phi-4 reasoning
1. Installez `ollama` si ce n'est pas déjà fait !
```bash
apt-get update
apt-get install pciutils -y
curl -fsSL https://ollama.com/install.sh | sh
```
2. Exécutez le modèle ! Notez que vous pouvez appeler `ollama serve`dans un autre terminal si cela échoue. Nous incluons toutes nos corrections et paramètres suggérés (température, etc.) dans `params` notre téléversement sur Hugging Face.
```bash
ollama run hf.co/unsloth/Phi-4-mini-reasoning-GGUF:Q4_K_XL
```
### 📖 Llama.cpp : Tutoriel pour exécuter Phi-4 reasoning
{% hint style="warning" %}
Vous devez utiliser `--jinja` dans llama.cpp pour activer le raisonnement pour les modèles, sauf pour la variante « mini ». Sinon, aucun jeton ne sera fourni.
{% endhint %}
1. Obtenez la dernière version `llama.cpp` sur [GitHub ici](https://github.com/ggml-org/llama.cpp). Vous pouvez également suivre les instructions de compilation ci-dessous. Modifiez `-DGGML_CUDA=ON` à `-DGGML_CUDA=OFF` si vous n'avez pas de GPU ou si vous souhaitez simplement une inférence CPU. **Pour les appareils Apple Mac / Metal**, définissez `-DGGML_CUDA=OFF` puis continuez comme d'habitude - la prise en charge de Metal est activée par défaut.
```bash
apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
-DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp
```
2. Téléchargez le modèle via (après avoir installé `pip install huggingface_hub hf_transfer` ). Vous pouvez choisir Q4\_K\_M, ou d’autres versions quantifiées.
```python
# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
from huggingface_hub import snapshot_download
snapshot_download(
repo_id = "unsloth/Phi-4-mini-reasoning-GGUF",
local_dir = "unsloth/Phi-4-mini-reasoning-GGUF",
allow_patterns = ["*UD-Q4_K_XL*"],
)
```
3. Exécutez le modèle en mode conversationnel dans llama.cpp. Vous devez utiliser `--jinja` dans llama.cpp pour activer le raisonnement pour les modèles. Cela n’est toutefois pas nécessaire si vous utilisez la variante « mini ».
```bash
./llama.cpp/llama-cli \
--model unsloth/Phi-4-mini-reasoning-GGUF/Phi-4-mini-reasoning-UD-Q4_K_XL.gguf \
--threads -1 \\
--n-gpu-layers 99 \
--prio 3 \
--temp 0.8 \",
--top-p 0.95 \
--jinja \
--min-p 0.00 \\
--ctx-size 32768 \\
--seed 3407
```
## 🦥 Ajustement fin de Phi-4 avec Unsloth
[Ajustement fin de Phi-4](https://unsloth.ai/blog/phi4) pour les modèles sont également désormais pris en charge dans Unsloth. Pour effectuer un ajustement fin gratuitement sur Google Colab, il suffit de changer le `model_name` de 'unsloth/Phi-4' en 'unsloth/Phi-4-mini-reasoning' etc.
* [Carnet d’ajustement fin de Phi-4 (14B)](https://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Phi_4-Conversational.ipynb)
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.
Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:
```
GET https://unsloth.ai/docs/fr/modeles/tutorials/phi-4-reasoning-how-to-run-and-fine-tune.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.