Microsoft Phiとは？モデル一覧や料金、Copilot+ PCでの活用を徹底解説

Microsoft Phi（ファイ）とは、Microsoftが2023年から開発を続けるSLM（小型言語モデル）シリーズです。
140億パラメータのPhi-4本体を軸に、超軽量なPhi-4-mini・音声/画像対応のPhi-4-multimodal・推論特化のPhi-4-reasoning系まで用途別の派生モデルを揃え、2025年1月にはMITライセンス（著作権表示と許諾表示の保持を条件に商用利用・改変・再配布が可能）でオープン化されました。
Copilot+ PCのNPU上で動くPhi Silicaや、Microsoft Foundry経由のAPI呼び出しなど、クラウド・エッジ・オンデバイスのいずれでも実装できる点が特徴です。

本記事では、Phiシリーズの系譜と主要モデル、Phi-4派生モデルの使い分け、Gemma・Qwen・gpt-ossなど他モデルとの位置づけ、Copilot+ PCでのオンデバイス活用（2026年11月にAion Instructへ移行予定）、使い方、料金体系、選定で見落としがちな観点までを、2026年7月時点の最新情報で体系的に解説します。

Microsoft Phiとは？Microsoftが開発する小型言語モデル（SLM）シリーズ

Microsoft Phi（ファイ）とは、Microsoftが2023年から継続的にリリースしている小型言語モデル（SLM：Small Language Model）のシリーズです。

出発点となった論文「Textbooks Are All You Need」で提唱された「高品質な合成データで訓練すれば、パラメータ数が小さくても大型モデルに匹敵する性能に届く」という設計思想を、Phi-1から一貫して踏襲しています。

2026年時点のPhiシリーズは、Phi-4本体を中心にmini・multimodal・reasoning系・Windows NPU実行のPhi Silicaまで派生ラインナップが広がっています。

そしてPhi-4本体は2025年1月にHugging FaceでMITライセンス配布に切り替わり、商用利用・改変・再配布が可能なオープンモデルとして位置付け直されました。

PhiとMAIの位置づけ

Microsoftのモデル系譜は、2026年6月のBuild 2026以降、Phi（SLM系）とMAI（Microsoft AI、フロンティアモデル系）の2軸構成に整理されています。

Mustafa Suleyman氏率いるMAI部門は、Build 2026で内製フロンティアモデル群を発表し、OpenAI依存を減らしフロンティア帯を狙う戦略ラインとして立ち上がりました。

MAI登場後もPhiは廃止・統合されず、SLM・オンデバイスAI・ファインチューニング容易性を強みとする独立ラインナップとして継続しています。
エッジ・オンデバイス用途はPhi、フロンティア帯の複雑タスクはMAIまたはOpenAIモデル、という棲み分けが明確になりました。

【関連記事】
Microsoft MAIとは？3つのAIモデルの特徴・料金を解説

---

Phiシリーズの系譜と主要モデル一覧

Phiシリーズは2023年のPhi-1から始まり、2026年時点でPhi-4系派生モデルを含めると10種類以上のラインナップに成長しています。

各世代がどのような役割を担ってきたかを整理すると、Phiが「小さくても強力」を段階的に磨いてきた軌跡が見えます。

Phi-1／Phi-1.5／Phi-2──小型モデルの原点

Phi-1は2023年6月に公開された1.3Bパラメータの言語モデルで、Pythonコード生成に特化した設計でした。

同時期に発表された「Textbooks Are All You Need」論文は、教科書品質の合成データで学習することで、当時の10倍規模のモデルに匹敵するコーディング性能を出せることを示しました。

Phi-1（1.3B）はCodex-12B・GPT-3.5などの10倍規模モデルに匹敵するHumanEval 50.6%・MBPP 55.5%を記録（出典：Textbooks Are All You Need）

Phi-1.5は同じ1.3B規模で汎用自然言語タスクへ拡張、Phi-2（2023年12月）は2.7Bにスケールアップして論理推論と安全性を強化しています。

これらの初期モデルの意義は、後続世代の設計指針を決定づけたことにあります。
「合成データの品質を上げれば、モデルを小さくしても性能が出る」という命題を、Phi-1〜2の実証結果が業界に強く印象付けました。

Phi-3ファミリー──128Kコンテキストと多言語対応

Phi-3は2024年4月にリリースされた第3世代で、「Tiny but mighty（小さくても強力）」というキャッチフレーズと共に、SLMの実用フェーズを切り開いたシリーズです。

以下の表で、Phi-3ファミリーの構成を整理しました。

モデル	パラメータ	特徴
Phi-3-mini	3.8B	最大128Kトークンのコンテキスト長、GPT-3.5相当の性能
Phi-3-small	7B	MMLUベンチマークでLlama2-7B・Mistral-7Bを超える
Phi-3-medium	14B	当時主流のGPT-3.5 Turboに匹敵する性能水準
Phi-3.5-mini	3.8B	20言語以上をサポートする多言語モデル
Phi-3.5-MoE	42B総／6.6B活性	Mixture of Expertsで実行時のみ一部活性化

この世代で注目すべきは、Phi-3-miniが3.8Bという小規模ながら最大128Kトークンのコンテキスト長を実現した点です。

当時、この規模のモデルでこれだけの長文処理を扱えるのは他になく、SLMが「ちょっとしたチャット用途」から「実務用途」へ役割を広げる転換点になりました。

Phi-4ファミリー──推論・マルチモーダル・reasoning系の拡張

Phi-4は2024年12月に登場した14Bの基盤モデルで、Microsoft公式ブログでは「複雑な推論と数学問題の解決に特化した設計」と説明されています。

当初はAzure AI Foundryで研究ライセンス提供でしたが、2025年1月にHugging FaceでMITライセンス化され、MITライセンス条件（著作権表示と許諾表示の保持）の範囲で商用利用・改変・再配布が可能なオープンモデルに切り替わりました。

Phi-4は14BながらQwen2.5-72B・Llama-3.3-70B級のMMLU Aggregateを達成し、Phi-3.5-Mini-Instructからの飛躍を示す（出典：Introducing Phi-4 - Microsoft Tech Community）

散布図の縦軸はMMLU Aggregate（幅広い知識・推論タスクの総合スコア）、横軸はActive Parameters。Phi-4は左上の「Frontier for small but mighty models」領域にプロットされ、パラメータ数を数分の一に抑えながら大型モデルに肉薄している構図がよく分かります。

Phi-4本体を起点に、以下の派生モデルが2025〜2026年にかけて次々と追加されています。

• Phi-4-mini（2025年前半）
  3.8Bパラメータの軽量版。200K語彙・128Kコンテキスト・グループ化クエリアテンション（GQA）・共有埋め込み・関数呼び出し機能を搭載
  
  

• Phi-4-multimodal（2025年前半）
  5.6Bパラメータで音声・画像・テキストを同一表現空間で処理。Mixture-of-LoRAsを採用、20言語以上に対応
  
  

• Phi-4-reasoning／reasoning-plus（2025年4月30日）
  14BでOpenAI o3-miniの推論トレースを蒸留、SFT＋RLで学習。DeepSeek-R1-Distill-Llama-70Bを超え、AIME 2025ではDeepSeek-R1（671B）を上回るスコア
  
  

• Phi-4-mini-reasoning（2025年4月30日）
  3.8Bの数学推論特化版。DeepSeek-R1で生成した合成データで学習、100万問以上の数学問題を学習
  
  

• Phi-4-mini-flash-reasoning（2025年7月9日）
  新しいSambaY hybridアーキテクチャを採用、Gated Memory Unit（GMU）で層間表現を共有。スループット最大10倍、レイテンシ2〜3倍改善
  
  

• Phi-4-reasoning-vision-15B（2026年3月4日）
  Microsoft Foundryで公開された視覚推論モデル。プロンプトで推論モードを明示的に有効／無効切り替えでき、Computer-Using Agent（CUA）向けにチューニング

Phi-4以降の拡張で見えるのは、単に「もっと小さく」ではなく「用途に応じて派生させる」戦略への転換です。

数学推論なら reasoning系、マルチモーダルなら multimodal、レイテンシ制約が厳しいなら flash-reasoning、視覚ドメインなら reasoning-vision と、Phi-4という基盤モデルを軸にラインナップを枝分かれさせている構造です。

---

Phi-4シリーズの主要モデルと使い分け

Phi-4シリーズは派生モデルが多いため、実務で導入する際は「どのモデルをどのケースで選ぶか」の判断軸を先に持っておくと迷いにくくなります。

以下の表で、Phi-4系主要8モデルの位置づけを比較しました。

モデル	パラメータ	コンテキスト	得意領域	選ぶべきケース
Phi-4	14B	16K	複雑推論・数学・技術文書要約	GPU搭載サーバーで高精度推論を回したい
Phi-4-mini	3.8B	128K	分類・構造化抽出・意図ルーティング	エッジ・スマートフォン・低リソース環境
Phi-4-multimodal	5.6B	128K	音声認識・画像解釈・OCR・図表理解	マルチモーダル入力を扱う対話型アプリ
Phi-4-reasoning	14B	32K	STEM／論理推論／連鎖思考	数学・科学の複雑タスク、agentic用途
Phi-4-reasoning-plus	14B	32K	reasoning + RL強化版（トークン1.5倍消費）	精度優先で計算コストを許容できる場面
Phi-4-mini-reasoning	3.8B	128K	エッジでの数学推論	教育アプリ・組み込み型学習支援
Phi-4-mini-flash-reasoning	3.8B	64K	低レイテンシ・高スループット推論	リアルタイム性が要求される推論用途
Phi-4-reasoning-vision-15B	15B	16K	図表・GUI・診断画像などの視覚推論	Computer-Using Agent、視覚QA

選定のポイントは、「精度」「レイテンシ」「マルチモーダル可否」「エッジ実行の必要性」の4軸です。

【汎用テキスト用途】Phi-4かPhi-4-mini

汎用的なテキスト生成・要約・分類・技術文書処理を回すなら、精度最優先ならPhi-4、コスト・レイテンシ優先ならPhi-4-miniが第一候補です。

Phi-4本体はコンテキスト長が16Kと近年の大型モデルに比べれば控えめですが、社内ドキュメントの要約・議事録整理・技術文書レビューといった一般的なテキスト業務なら十分に収まります。GPUリソースがあり、高精度な出力を優先したい場面向けです。

Phi-4-miniは3.8Bで128Kコンテキストに対応するため、長文タスクにも向いています。Microsoftによる説明では、Phi-4-miniは推論・数学・コーディング・指示追従・関数呼び出しといった能力を強化した設計とされています。

【マルチモーダル入力】Phi-4-multimodal

音声・画像・テキストを同時に処理する必要がある場合はPhi-4-multimodalが唯一の選択肢になります。

5.6Bパラメータでありながら、Microsoft公式発表ではGoogle Gemini・Meta InternOmni等と比較しても遜色ない性能を示しています。

Phi-4-multimodal-instructの音声＋視覚統合ベンチマーク（S-AI2D／S-ChartQA／S-DocVQA／S-InfoVQA＝画像への質問を合成音声で与える評価）（出典：Empowering innovation - Microsoft Azure Blog）

これらは通常のAI2D・ChartQA等と違い、画像と合成音声プロンプトを同時に処理する能力を測る指標です。S-DocVQAでPhi-4-multimodalが87.3を記録しGemini-2.0-Flashの80.3を上回っている点は、「音声で図表を尋ねる」ような対話型ユースケース（会議の議事録作成・視覚障害者向けアシスト等）で強みが出ることを示しています。

実務では、コールセンター録音の自動議事録化や、カメラ映像＋テキスト指示を組み合わせた業務手順アシストなど、単一モダリティでは完結しないシナリオでPhi-4-multimodalを選ぶ判断軸になります。

【数学・論理推論】Phi-4-reasoning系

STEM分野・複雑な数学推論・多段の論理推論が必要なタスクでは、Phi-4-reasoning／reasoning-plus／mini-reasoning／mini-flash-reasoningのいずれかから選びます。

Microsoft公式ブログによれば、Phi-4-reasoningはOpenAI o3-miniの推論トレースを蒸留学習した14Bモデルで、AIME 2025テストではDeepSeek-R1（671B）を超えるスコアを記録しました。

AIME 25・HMMT Feb 25・OmniMath・GPQAでPhi-4-reasoning系14BがDeepSeek-R1 671B・o3-miniに肉薄する（出典：One year of Phi - Microsoft Azure Blog）

グラフで注目すべきはAIME 25でのPhi-4-reasoning-plus 82.5です。同ベンチマークでo3-miniが82.5、DeepSeek-R1 671B MoEが70.4という結果に対し、14BのPhi-4-reasoning-plusが5〜50倍規模のフロンティアモデルと並ぶ位置まで到達しています。

Phi-4-reasoning-plusはRLで追加学習して精度を上げていますが、推論時トークン消費が1.5倍になるためコストとのトレードオフを見極めが必要です。

エッジ・スマートフォン等で数学推論を動かすならPhi-4-mini-reasoning、リアルタイム性を最優先するならSambaY hybridアーキテクチャ採用のPhi-4-mini-flash-reasoningが向きます。

後者は先代Phi-4-mini-reasoningよりスループット最大10倍・レイテンシ2〜3倍改善を実現しており（vLLM推論・A100-80GB単一GPU・テンソル並列度1での測定条件下）、教育アプリやオンデバイス数学チューターに最適です。

【視覚推論・GUI操作】Phi-4-reasoning-vision-15B

2026年3月に登場したPhi-4-reasoning-vision-15Bは、視覚入力に対して「推論する／しない」をプロンプトで動的に切り替えられる新方針のモデルです。

Microsoft Foundry公式紹介では、Computer-Using Agent（CUA）シナリオでの用途が具体的に挙げられています。

EC画面上の商品・価格・フィルター・カート状態を解釈して、Fara-7Bのようなエージェントモデルにアクション選択させる構成が典型例です。

教育分野では、生徒がワークシートやチャート、図解の写真をアップロードして、Phi-4-reasoning-vision-15Bが誤答箇所を特定し正しいステップを説明する、というK-12学習アプリのユースケースも公式で紹介されています。

単なる画像認識ではなく「視覚コンテンツに対して構造化された推論を行う」という点が、従来のマルチモーダルモデルとの差別化ポイントです。

---

PhiとGemma・Qwenなど他モデルとの位置づけ

Phi-4シリーズを検討する際、必ず比較対象に上がるのが同じSLM帯・オープンウェイト帯のGemma・Qwen・gpt-oss・DeepSeek-R1系です。

以下の表で、Phiと主要な競合モデルのポジショニングを整理しました。

モデル	提供元	パラメータ帯	強み	Phiとの棲み分け
Phi-4 / mini	Microsoft	3.8B〜15B	エッジ実行・MITオープン・Windows統合	基準線
Gemma 4	Google	E2B・E4B・12B・26B A4B・31B	Gemini 3系研究基盤・多言語・Apache 2.0	Google Cloud統合を優先するならGemma
Qwen3.6	Alibaba	27B dense・35B-A3B MoE（3B active、API名Qwen3.6-Flash）	Apache 2.0オープンウェイト最新フラッグ・agentic coding	中国語主体の業務・ホスト版APIならQwen
Llama系	Meta	1B〜405B（Llama 4 Scout／Maverickは17B activeのMoE）	エコシステム最大・ファインチューニング事例豊富	既存Llama資産があるならLlama
Mistral AI Studio	Mistral AI	3B〜675B（Mistral Large 3は41B activeのMoE）	欧州発・多言語・企業向け	EU規制対応・欧州向けサービスに強み
DeepSeek-R1	DeepSeek	671B（MoE）	オープンソースフロンティア推論	フロンティア推論をオープンで使うならR1
gpt-oss	OpenAI	21B（3.6B active）／117B（5.1B active）MoE	Apache 2.0オープンウェイト・GPT-2以来のOpenAIオープンウェイト言語モデル	商用フロンティア級推論をオープンで自社ホストしたい場合

この比較から見えるのは、Phi-4シリーズが「Microsoft/Azure/Windowsエコシステム統合の強さ」と「MITライセンスによる商用利用の自由度」という2つの軸で立ち位置を確保していることです。

SLM帯（Gemma・Qwen・Llama）との比較

同じSLM帯で言えば、Gemma 4は多言語対応の広さとGoogle Cloudとの統合、Qwen3.6は中国語圏でのファインチューニング事例の豊富さ、Llama系は世界最大級のコミュニティエコシステムがそれぞれの強みです。

Phi-4シリーズの差別化ポイントは、Windows Copilot+ PC上でNPU実行できるPhi Silicaと、Microsoft FoundryでのAPI呼び出し／ファインチューニングが同一体験で扱える点にあります。

M365・Copilot Studio・Azure・Windowsを全社標準としているエンタープライズの場合、モデル選定コストとインフラ統合コストの合計でPhiが優位に立ちやすい構造です。

逆にGoogle Workspace／Vertex AIを中核基盤にしている企業ならGemma、中国圏サービスや中国語コンテンツが多い業務ならQwenを選ぶ判断が現実的です。

gpt-oss・DeepSeek-R1などオープン推論モデルとの比較

Phi-4シリーズと同じ「MITやApache 2.0のオープンライセンスで自社ホスト可能な推論モデル」という土俵で比較対象になるのが、OpenAIが2025年8月に公開したgpt-oss（gpt-oss-120b / gpt-oss-20b、Apache 2.0）と、DeepSeek-R1（671B MoE）です。

これらオープン推論モデルの使い分けは、パラメータ規模・推論帯・実行環境で分かれます。

• モバイル・スマートフォン級のオンデバイス実行
  Phi-4-mini（3.8B）／Phi Silica。gpt-oss-20b（公式MXFP4版で約16GBメモリ・Foundry LocalのCUDA版も16GB以上目安）はコンシューマGPUには載るが、モバイル端末での常駐実行は想定外
  
  
• 単一80GB GPUで扱える中規模推論
  Phi-4-reasoning-plus（14B）／gpt-oss-20b／gpt-oss-120b（単一80GB GPUで実行可）。量子化・実装条件でVRAM要件は変動するため、選び分けはベンチマーク差と実測で判断
  
  
• 671Bクラスをオープンで動かしたい
  DeepSeek-R1（671B MoE）。マルチGPU構成が前提
  
  
• Windows／Azureエコシステム統合を重視
  Phi。Microsoft Foundry・Copilot+ PC・Foundry Localが標準経路

なお、Microsoft自身もFoundry LocalでPhi-4・gpt-oss-20b・Qwen・DeepSeekなどをWindows端末上で実行できる仕組みを提供しており、オープン推論モデルを混在させたエッジ推論基盤が現実的な選択肢になりつつあります。

Phi-4-reasoningがAIME 2025でDeepSeek-R1（671B）を上回った実績のように、パラメータ規模と推論精度は必ずしも比例しない点も、選定時の判断軸として意識しておくべきポイントです。

---

Phi SilicaとCopilot+ PC──Windowsオンデバイスでの活用

Phiシリーズの中で、Microsoftが2024年12月以降Windowsに深く組み込んできたのがPhi Silicaです。

これはWindows 11 Copilot+ PC向けにNPU（Neural Processing Unit）最適化されたPhiの変種で、Windows Experience Blogでの発表以降、Click to Do・Outlook要約など実用機能に順次組み込まれてきました（後述のとおり2026年11月にAion Instructへ置き換わります）。

Phi Silicaの技術的特徴

Phi Silicaは通常のPhiモデルと異なり、OSレベルで管理される軽量オンデバイスモデルとして設計されています。

Windows AI APIから呼び出せる形で提供され、NPU版ではTime to First Token（最初のトークン応答時間）を短く抑えるために、smaller draft modelで候補を出して本体モデルが並列検証するspeculative decodingを採用しています（GPU版ではspeculative decodingは利用できずスループットが下がります）。

メモリ圧迫時にはモデルが一時アンロードされる場合があるため、常駐は絶対ではありません。

Phi SilicaはQuantized context model（固定サイズ・write-only KVキャッシュ）とQuantized iterator model（動的サイズ・read-write KVキャッシュ）の2段構成でNPU最適化されている（出典：Windows Experience Blog）

図の左側「Quantized context model」はプロンプト入力時の一回だけ走る重い処理を担い、右側「Quantized iterator model」はトークン生成のたびに軽量に回るループを担います。
この分離設計により、プロンプト読み込みの重い計算はNPUで一気に済ませ、トークン生成の反復ループは省電力で回すという役割分担が実現しています。

対応ハードウェア

対応ハードウェアは、2026年7月時点で以下に拡大しています（Microsoft Learn公式より）。

• NPU（Copilot+ PC）: 最速。モデルはpre-installedで追加ダウンロード不要
  
  

• GPU（NVIDIA GeForce RTX 30系以上）: 6GB+ vRAM。Developer Mode有効化が必要
  
  

• GPU（AMD Radeon RX 9060系以上）: 6GB+ vRAM。Developer Mode有効化が必要

GPU版はDeveloper Mode有効化に加え、Windows Insider Program Experimental Channel build 26300.8553以降・Windows App SDK 2.2.2-experimental9（June 2026 Experimental）以降・最新のGPUベンダードライバーが必要です（詳細はMicrosoft Learn公式）。

加えてGPU版はpre-installedではなく、初回EnsureReadyAsync呼び出しで数GBのモデルがWindows Update経由でバックグラウンドダウンロードされます。ユーザーへのconsent dialog表示が推奨実装パターンです。

NPU版はGPU版で利用できない「prompt compression」「speculative decoding」を持つため、Copilot+ PCの方が全機能を使えます。

2025年5月15日にはPhi-4-reasoningとPhi-4-mini-reasoningをONNX最適化した版がSnapdragon搭載Copilot+ PC上で動作可能になりました。

NPUオフロードにより、推論時計算の消費電力が大幅に削減され、reasoning系モデルでもモバイル環境で実用的に扱えるようになっています。

Windows組み込み機能での実運用

Phi Silicaは既にWindows 11のいくつかの機能で本番稼働しています。

代表的な使用箇所は以下の通りです。

• Click to Do
  画面上のテキスト・画像に対して「要約」「書き直し」「翻訳」などをその場で実行できる機能。Phi Silicaがオンデバイス推論を担う
  
  

• Outlook Copilot要約（オフライン）
  メール本文の要約機能で、オフライン時でもPhi Silicaが動作するため、機内モードや通信制限環境でも要約が使える
  
  

• developer APIs
  Windows AI APIとしてサードパーティアプリからも呼び出せる。C#／WinRTから直接統合可能

ここでのポイントは、NPU版のPhi SilicaはWindows OSの標準機能として組み込まれているため、開発者が別途モデルをダウンロード・管理する必要がない点です。

アプリケーション側はLAF（Limited Access Feature）のunlock token取得というアクセス許可を経たうえで、[Microsoft.Windows.AI]および[Microsoft.Windows.AI.Text]名前空間のAPI経由で呼び出せます。

モデル本体の管理はWindowsが引き受けます（GPU版のみ初回ダウンロードのconsent dialogが必要）。

LoRAアダプタでのカスタマイズ事例──Kahoot!問題生成

Phi Silicaは基本モデルとして提供されるだけでなく、LoRA（Low-Rank Adaptation）アダプタで用途特化のファインチューニングが可能です。

Microsoft社内の教育チームが実施した事例では、Kahoot!用のクイズ問題を自動生成するタスクでPhi Silica + LoRAアダプタを使い、拒否率75%削減・主観品質4.6倍改善という結果を出しています（Windows Developer Blog: Phi Silica task specialization using LoRA）。

ベースモデルだけでは「教育的な設問」というドメイン特性を捉えきれず出力品質が低かったところ、少数のLoRAアダプタを追加学習することで、モデル本体のサイズを増やさずに実用品質に到達できたケースです。

エンタープライズでの応用イメージとしては、社内ヘルプデスクの定型応答、営業日報の要約テンプレート、コンプライアンス用語チェックなど、業務固有の言い回し・表記ルール・NG表現を LoRAアダプタで学習させ、Phi Silica基盤の上に薄く重ねるという設計が現実的です。

全社共通の基盤モデルは変えずに、部門・業務ごとに軽量アダプタを差し替える運用が可能になります。

---

Phiシリーズの使い方

Phiシリーズは複数の提供チャネルからアクセスでき、用途に応じて使い分けができます。

Microsoft Foundry（旧Azure AI Foundry）経由

エンタープライズ用途で最も一般的なのがMicrosoft Foundry経由の利用です。旧称Azure AI Foundry、さらに前身のAzure AI Studioから改称されたAzureのAI開発プラットフォームで、Phiシリーズの主要な対応モデル（Phi-4本体・Phi-4-mini・Phi-4-multimodal・reasoning系）がモデルカタログに登録されています。

基本手順は次の通りです。

1. Microsoft Foundryにアクセスし、プロジェクトを新規作成する
2. サイドバーから「モデルカタログ」を選択
3. 検索ボックスに「Phi」と入力してモデル一覧を表示
4. 用途に合わせて Phi-4／Phi-4-mini／Phi-4-multimodal／Phi-4-reasoning等を選択
5. 「デプロイ」でAPIエンドポイントを作成、または「プレイグラウンド」で動作確認

モデルカタログの閲覧・モデルカードの確認までは無料ですが、プレイグラウンドでの試用会話・Instant access（プレビュー）・デプロイ後のAPI呼び出しはいずれもPay-per-tokenの従量課金が発生します。

Microsoft Foundry経由の利点は、Azure環境内のRBAC・監査ログ・ネットワーク隔離・Private Endpointといったエンタープライズ統制がそのまま適用される点です。

オンプレとAzureのハイブリッド運用に加え、Fabric・Copilot Studioとも外部エージェント接続の形で連携できます。

:::messa
細かい料金体系は後述のセクションで扱います。
:::

Hugging Face経由でのモデル入手

セルフホスト・オンプレ環境でPhiを動かしたい場合は、Hugging FaceからMITライセンスでモデル本体をダウンロードします。

主要モデルのHugging Faceリポジトリは以下の通りです。

• microsoft/phi-4
• microsoft/Phi-4-mini-instruct
• microsoft/Phi-4-multimodal-instruct
• microsoft/Phi-4-reasoning / microsoft/Phi-4-reasoning-plus
• microsoft/Phi-4-mini-reasoning / microsoft/Phi-4-mini-flash-reasoning

Hugging Face経由での配布はMITライセンス（著作権表示と許諾表示の保持を条件に、商用利用・改変・再配布が可能）です。

オンプレのGPUサーバー、ローカルワークステーション、社内ネットワーク内のプライベート推論サーバーなど、外部通信が制約される環境で使う際の主経路になります。

Ollama・NVIDIA API Catalog経由でのローカル／外部API利用

軽量にローカルで試したい場合はOllama経由が最短です。ollama run phi4-miniのようなコマンド1本でモデルダウンロードから対話まで進められます。開発者個人のPoC、プロトタイプ検証、オフライン環境での実験用途に向いています。

外部の推論APIとして使いたい場合はNVIDIA API CatalogにPhi-4系モデルが登録されており、NVIDIA NIM（推論マイクロサービス）経由での呼び出しが可能です。特に既存でNVIDIA GPU基盤・Triton推論サーバーを運用しているならNIM経由が扱いやすい選択肢になります。

チャネル選定の実務的な指針としては、エンタープライズ用途はMicrosoft Foundry、セルフホスト／機密要件はHugging Face、開発者PoCはOllama、GPU基盤活用はNVIDIA API Catalogという使い分けが基本です。

---

Phiシリーズの料金体系

PhiシリーズはMITライセンスによる無償入手と、Azure Serverless API従量課金の2軸で料金が構成されます。

無料の範囲──MITライセンス配布とカタログ閲覧

Phi-4以降のモデルは、Hugging FaceからMITライセンスでダウンロードして自社環境で動かす限り、モデルライセンス費用は無料（MITライセンス条件＝著作権表示と許諾表示の保持の範囲内で、商用利用・改変・再配布が可能）です。社内サーバーやオンプレGPU上で自由に運用できます。

Microsoft Foundryではモデルカタログの表示、モデルカードの閲覧までは無料です。ただしプレイグラウンドでの試用会話・Instant access（プレビュー）による呼び出しはいずれもPay-per-tokenの従量課金が発生します（Microsoft Foundryのデプロイ種別）。「Azureアカウントを作れば無料で試せる」わけではない点に注意が必要です。

有料の範囲──Azure Serverless API従量課金

Azure上でServerless APIとして呼び出す場合、以下の従量課金が発生します（2025年3月時点のMicrosoft公式発表より引用。現行価格はMicrosoft Foundryのデプロイ画面で必ず再確認してください）。

モデル	入力（1,000トークン）	出力（1,000トークン）
Phi-4	$0.000125	$0.0005
Phi-4-mini	$0.000075	$0.0003
Phi-4-multimodal（テキスト・画像）	$0.00008	$0.00032
Phi-4-multimodal（音声）	$0.004	$0.00032

この単価は100万トークン単位に換算すると、Phi-4-miniで入力$0.075・出力$0.30、Phi-4で入力$0.125・出力$0.50となります。参考として、2025年3月時点でGPT-4oが100万トークンあたり入力$2.5・出力$10前後であったことを考えると、同時点比較でPhi-4-miniはGPT-4oの約30〜40倍安価という価格差でした。

料金水準は変動があるため、最新情報はMicrosoft Foundryのデプロイ画面とFoundry Modelsの価格詳細で必ず確認してください。

ファインチューニング料金

自社データでPhiをファインチューニングする場合は、以下の料金体系になります（2025年3月時点）。

モデル	学習（1,000トークン）	ホスティング（1時間）	利用時 入力	利用時 出力
Phi-4	$0.003	$0.80	$0.000125	$0.0005
Phi-4-mini	$0.003	$0.80	$0.000075	$0.0003

学習コストは1,000トークンあたり$0.003なので、10万トークン分の学習データで約$0.30、100万トークンなら約$3程度で済みます。中規模のドメイン特化ファインチューニングを実施する場合でも学習フェーズは数十ドル〜数百ドルに収まる想定です。

ホスティング料金は1時間$0.80なので、常時起動なら月あたり約$576（$0.80×24×30）が発生します。推論頻度が低い業務では、不要時はデプロイを削除し、必要時に再デプロイする運用にすると大幅にコスト圧縮できます。

コスト構造の実務的な読み解き

Phiシリーズの価格戦略は「MITライセンスでモデル本体は無料、Azure Serverless API経由の呼び出しは従量課金」という設計になっています。

2025年3月時点の掲載単価で試算すると、100万トークン／日を全て入力トークンとして扱った場合Phi-4-miniで月あたり約$2.25、100万トークン／日を全て出力トークンとした場合でも月約$9で、GPT-4o／Claude Sonnet系との比較コスト優位は明確です。

ただし当時と現在で単価が動いている可能性があるため、実際の見積りは必ず最新のFoundryデプロイ画面で確認してください。

精度が最優先の複雑推論タスクや、Phi-4本体の16Kコンテキストに収まらない超長文処理では、フロンティアLLMを併用する構成のほうが総合的に有利なケースもあります。

---

Phi選定で見落としがちな観点

Phiシリーズは軽量・高速・オープンライセンスと利点が多いですが、実際に業務システムに組み込む段階でつまずきやすい観点がいくつかあります。

コンテキスト長の世代差──Phi-4本体・reasoning-visionは16K、mini系は128K・64K

Phi-4シリーズ全体で128Kと思われがちですが、Phi-4本体は16Kトークン、Phi-4-miniは128K、Phi-4-mini-flash-reasoningは64K、Phi-4-reasoning-vision-15Bも16Kと、モデルごとにコンテキスト長が大きく異なります。

長文の技術文書レビューや大規模なコード解析を扱う場合、Phi-4本体（14B・高精度）を選ぶと16Kで足りず、途中で切れる問題が発生します。この場合、精度をやや落としてでもPhi-4-mini（3.8B・128K）を選ぶか、フロンティアLLMに切り替える判断が必要です。

選定前に、想定するプロンプト最大長・出力最大長・履歴保持ターン数を積算し、モデルのコンテキスト上限に収まるか机上検証しておくと安全です。

多言語対応の粒度──「20言語以上」の実効レベルを検証する

Phi-4-multimodalとPhi-4-miniは「20言語以上をサポート」と公式で説明されていますが、言語ごとの性能差は実測しないと見えません。

Phi-4-miniは英語を中心に学習され、非英語では性能低下や言語間のばらつきが生じると公式モデルカードに記載されています。自社業務が英語以外の特定言語に強く依存している場合、対象言語のベンチマーク（例：日本語のJGLUE、MMLU-JP等）でPhi・Gemma・Qwenを実測比較してから選定するのが現実的です。

特に日本語の敬語・専門用語・業界表現が多い業務では、Phiが英語ドメインで示すスコアと日本語ドメインでの実性能にギャップが出るケースがあります。

GPU要件──Phi-4本体は消費者向けGPUでは厳しい

Phi-4本体（14B）を推論するには、FP16でおよそ28GB以上のVRAMが必要です。

RTX 4090（24GB）では単体では収まりきらず、量子化（INT8・INT4）を適用するか、複数GPU分散するかの選択になります。オンプレ環境で本格利用するなら、A100 40GB／H100 80GBクラスの推論用GPU、またはAzure NDv5シリーズなどのVMを想定しておく必要があります。

Phi-4-mini（3.8B）ならFP16で約8GB、量子化版なら4GB程度で動くため、消費者向けGPU（RTX 3060以上）でも実用推論が可能です。ハードウェア制約が厳しい場合はminiから入るのが実務的な判断になります。

PhiとMAIの棲み分け──フロンティアはMAI、エッジはPhi

Build 2026でMAI（Microsoft AI）シリーズが発表されて以降、「MicrosoftがオープンなSLMラインナップを縮小するのでは？」という懸念がありましたが、現時点でMicrosoft側はPhiを継続ラインナップとして維持する方針を示しています。

MAIファミリーには推論モデル・画像モデル・音声モデル・コードモデルが含まれ、たとえばMAI-Thinking-1は35B active parametersでFoundry private previewとして提供されるなど、フロンティア帯を担う設計です。Phiは1B〜15BのSLM帯で、MITオープンライセンスによるオンデバイス配布まで含めた広がりを持ちます。

企業側の選定基準としては、「エッジ／オンデバイス／低コスト実行が最優先ならPhi」「Foundry上でフロンティア級の複雑タスクを解きたければMAIまたはOpenAIモデル」という指針で問題ありません。両者は競合ではなく、Microsoftのモデルポートフォリオ内で役割分担する関係になっています。

【関連記事】
Microsoft MAIとは？3つのAIモデルの特徴・料金を解説

レイテンシと精度のバランス──flash-reasoningを検討する

Phi-4-reasoning系は精度が高い一方、推論トークンを大量消費するため応答が遅くなりがちです。教育アプリ・対話型UI・エージェント連鎖など、ユーザー体感でレイテンシが問題になる用途では、Phi-4-mini-flash-reasoningを第一候補にすると失敗が少なくなります。

SambaY hybridアーキテクチャ：Self-Decoder（Mamba＋Sliding Window Attention＋Full Attention）とCross-Decoder（GMU＋Cross Attention）で構成される（出典：Reasoning reimagined - Microsoft Azure Blog）

Self-DecoderのMamba（State Space Model）とSliding Window Attentionが軽量に系列を処理し、Cross-DecoderのGated Memory Unit（GMU）が層間表現の共有と再利用でCross-Attentionのコストを削減します。この設計変更が「スループット最大10倍・レイテンシ2〜3倍改善」の直接的な源泉です。

この10倍・2〜3倍改善は、Microsoft公式のvLLM推論フレームワーク・A100-80GB単一GPU・テンソル並列度1の条件下でPhi-4-mini-reasoningと比較した測定値です（実運用のハードウェア・並列度で数値は変動します）。精度と応答速度のトレードオフを取る際、まずflash-reasoningで実装してから精度不足があればreasoning-plusへ切り替える、という段階的な選定が実務的です。

---

Phi級SLMを業務Agentに組み込むなら

Phi-4シリーズは、モデル本体としてはMITライセンスで無償入手でき、Azure Serverless APIで即使い始められます。ただし業務システムに本格的に組み込む段階になると、モデル呼び出しだけでは完結せず、Agentとしての権限設計・実行ログ・監査・世代交代への追随を担う基盤が必要になります。

このレイヤーを担うのが、自社Azureテナント内で動くエンタープライズAIエージェント基盤です。AI総合研究所のAI Agent Hubは、Teamsから呼び出せる業務特化Agent群を1つのダッシュボードで統合管理し、Azure OpenAI（GPT-5系）を中心に複数モデルの世代交代を吸収しながら業務プロセスに載せる運用基盤として機能します。

• エッジ推論とクラウド推論のハイブリッド運用
  Copilot+ PC上でPhi Silicaが処理する軽量タスクと、Azure Serverless上でPhi-4-reasoning-plusが処理する複雑推論を、業務Agent側で自動振り分け。ユーザーは処理経路を意識せずに使えます
  
  

• モデル世代交代を吸収する管理層
  Phi-4-mini → Phi-4-mini-flash-reasoning のようにモデル世代が短サイクルで切り替わっても、業務Agent側の設計は不変。特定モデル依存のワークフロー陥落を回避できます
  
  

• Agent単位でセキュリティ統制を1画面統制
  Phi経由で処理する業務データごとにアクセス範囲を設計。誰がどのAgentで何を照会したかを不変ログで残し、監査対応をそのまま提出できる形で保管します
  
  

• データは100%自社Azureテナント内に保持
  Phiに投入する業務データ・出力結果はAI学習対象から完全除外。Azure Managed Applicationsとして自社テナント内で動作が完了する設計です

AI総合研究所の専任チームが、SLM選定から業務Agent基盤の統合設計まで一貫して支援します。AI Agent Hubのサービスページで、エンタープライズAgent基盤の詳細をご確認ください。

---

まとめ

本記事では、Microsoft Phiについて、シリーズの系譜、Phi-4派生モデルの使い分け、他モデルとの位置づけ、Copilot+ PCでの活用、使い方、料金体系、選定で見落としがちな観点までを、2026年7月時点の最新情報で解説しました。

2026年時点で押さえておくべきポイントは次の3つです。

• Phi-4シリーズは本体・mini・multimodal・reasoning系・reasoning-visionまで用途別8モデルに拡大し、精度／レイテンシ／マルチモーダル／エッジ実行の4軸で選び分けるのが実務の勘所
• Copilot+ PCで動くPhi SilicaはClick to Do・Outlook要約で本番稼働してきたが、2026年11月に新オンデバイスモデルAion Instructへ置き換えられる。既存の実装は移行計画の準備が必要
• 料金は2025年3月時点でGPT-4o比約30〜40倍安価、モデル本体はMITライセンスで自社ホストなら無料。現行単価はMicrosoft Foundryのデプロイ画面で要再確認
  
  

企業のAI活用担当者にとってPhiは、「フロンティアLLM一択」ではなく「エッジ・オンデバイス・低コスト業務」という具体的な使い所を持つ選択肢です。まずは自社環境でPhi-4-miniをHugging Face経由でセルフホスト検証、あるいはMicrosoft FoundryでPhi-4-miniをデプロイして小規模なPoCから始めるのが、最も実用的な第一歩になります。