Model garden Router · bajo petición Dedicado · disponible

Phi tiny MoE instruct

Se ejecuta como su propio despliegue de GPU dedicada, listo para lanzar desde el asistente. Los datos permanecen en Europa.

Phi-tiny-MoE is a lightweight Mixture of Experts (MoE) model with 3.8B total parameters and 1.1B activated parameters. It is compressed and distilled from the base model shared by Phi-3.5-MoE and GRIN-MoE using the SlimMoE approach, then post-trained via supervised fine-tuning an...

microsoft/Phi-tiny-MoE-instruct vLLM ready
text->text · microsoft · sovereign EU
Runs on EU infrastructure operated by European companies; US marketplace capacity is never part of this chain. Full chain
3.8B
Parámetros
4K
Ventana de contexto
16GB
VRAM mínima
POST /api/v1/chat/completions Bajo petición

Especificaciones

Parámetros 3.8B
Ventana de contexto 4,096 tokens
VRAM mínima 16 GB
Arquitectura PhiMoEForCausalLM (vLLM)
Licencia mit
Modalidad text->text
Lanzamiento June 2025
Editor microsoft ↗

Precios

Router compartido · por token
Bajo petición
No disponible en el Router compartido. Precio bajo petición como despliegue de GPU dedicada.
GPU dedicada · por hora
desde 2,03 € por hora
Su propia instancia de vLLM en una nube europea (16 GB de VRAM), facturada por horas.

Router europeo compartido, pago por token, scale-to-zero. Los despliegues de GPU dedicada se facturan por horas, consulte precios.

✓ Funcionamiento verificado el 30-07-2026, respuesta en 2566 ms en nuestra infraestructura europea.

Índice Bench

Bench es nuestro índice de calidad para cada modelo, de 0 a 100. Se basa en mediciones públicas (Epoch AI con unos 40 benchmarks, LiveBench, LMArena y más) y se actualiza cada mañana. Donde nadie mide, muestra una estimación con un rango.

~32,0 / 100 · Estimación

Aún sin benchmark público: estimado a partir del tamaño y la fecha de lanzamiento.

Rango de 20,6 a 43,4

Fuentes: Epoch AI ↗ · LiveBench ↗ · LMArena ↗ · Actualizado a diario, última vez el 19-10-2026

Llámelo ahora

Sustituto directo de OpenAI: cambie solo la URL base y la clave de API. También se admite el formato de Anthropic (/v1/messages).

curl https://hostyourai.com/api/v1/chat/completions \
  -H "Authorization: Bearer hyai-..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "microsoft/Phi-tiny-MoE-instruct",
    "messages": [{"role": "user", "content": "Hello!"}]
  }'

Preguntas frecuentes

¿Puedo ejecutar Phi tiny MoE instruct en la UE?

Sí. HostYourAI ejecuta Phi tiny MoE instruct en GPU de centros de datos europeos mediante vLLM. Los prompts y las respuestas nunca salen de la UE y en la cadena no interviene ningún proveedor de nube estadounidense.

¿El alojamiento de Phi tiny MoE instruct cumple el RGPD?

Sí. Todo el tratamiento se realiza dentro de la UE, hay disponible un acuerdo de encargo del tratamiento (DPA) y la lista de subencargados es pública. Además, los pesos de código abierto significan que no se entrena con sus datos.

¿Cuánto cuesta Phi tiny MoE instruct?

Phi tiny MoE instruct está disponible bajo petición: a través del Router europeo compartido tras una breve conversación, o como despliegue de GPU dedicada propio facturado por horas. Cuéntenos su caso de uso y lo configuraremos para usted.

¿La API es compatible con OpenAI?

Sí. Usted utiliza los SDK estándar de OpenAI con una URL base personalizada (https://hostyourai.com/api/v1). La API Anthropic Messages también se admite como sustituto directo.

Más modelos de Microsoft

UserRepGen 4B

UserRepGen-4B is a fine-tuned Qwen3.5-4B language model that generates a structured, natural-language user representation from a multi-turn user-assistant conversation. Each representation contains a task description and a behavior description for a user, and is intended to condition a separate LLM-based user simulator.

4.5B 262K contexto Ver modelo →
AesCode 32B

AesCode generates information-rich visual artifacts such as slides, posters, and dashboards as HTML/CSS. The output remains structured, editable, and verifiable, but the task poses a distinct challenge: code models cannot see how layout, hierarchy, and color come together on the canvas.

33B 262K contexto Ver modelo →
AesCode 8B

AesCode generates information-rich visual artifacts such as slides, posters, and dashboards as HTML/CSS. The output remains structured, editable, and verifiable, but the task poses a distinct challenge: code models cannot see how layout, hierarchy, and color come together on the canvas.

8.8B 262K contexto Ver modelo →
Fara1.5 27B

Fara1.5-27B is a multimodal computer use agent (CUA) for web browsers, from Microsoft Research AI Frontiers. It observes the browser through screenshots and acts on the user's behalf by emitting structured tool calls — click, type, scroll, visit URL, web search, and so on — to complete tasks end-to-end.

27B 262K contexto Ver modelo →
Fara1.5 4B

Fara1.5-4B is a multimodal computer use agent (CUA) for web browsers, from Microsoft Research AI Frontiers. It observes the browser through screenshots and acts on the user's behalf by emitting structured tool calls — click, type, scroll, visit URL, web search, and so on — to complete tasks end-to-end.

4.5B 262K contexto Ver modelo →
GELab Zero 4B preview Sico Evolution

GELab Zero 4B preview Sico Evolution es un modelo de lenguaje multimodal de Microsoft con 4.4B parámetros, alojado en GPU europeas mediante una API compatible con OpenAI.

4.4B Ver modelo →

Pruebe Phi tiny MoE instruct gratis

Crear una cuenta lleva un minuto. Pruebe Phi tiny MoE instruct de inmediato en el Playground.

Empezar gratis