14Bで175点・ランクB——phi4:14bに24問ぶつけた正直な結果

同じ問題を4Bサイズで試したとき、蛙の季語を「夏」と答えたモデルがあった。

phi4:14bは「春」と答えた。そこだけ見れば「やっぱりサイズだな」と思える。ただ同じphi4:14bが、「汚名返上」を正しい表現と認識できなかった。Swallow-Llama3と同じ間違いを、3倍以上のパラメータ数で繰り返した。

14Bはどこで強く、どこで転ぶのか。24問の記録を残しておきます。

📋 この記事で使用したテスト問題（全24問）は LLM 24問テストスイート で確認できます。

• テスト環境
• 結果サマリー
• Round 1: 意地悪・引っかけ問題（43/60）
  • A1: バットとボール（10/10）
  • A2: 太郎の兄弟姉妹（10/10）
  • A3: お墓に入れるか（3/10）
  • A4: りんごの行方（10/10）
  • A5: 月曜日の回数（10/10）
  • A6: 医者と息子（0/10）
• Round 2: 論理・推論パズル（37/60）
  • B1: モンティホール問題（7/10）
  • B2: 嘘つきと正直者（0/10）
  • B3: 水差しで4リットル（10/10）
  • B4: 100人囚人のパリティ戦略（10/10）
  • B5: 川渡り問題（10/10）
  • B6: 天秤と偽コイン（0/10）
• Round 3: コーディング（50/60）
  • C1: FizzBuzzJazz（10/10）
  • C2: JavaScriptクロージャ（10/10）
  • C3: SQLインジェクション（10/10）
  • C4: 再帰フィボナッチ（0/10）
  • C5: Pythonデフォルト引数（10/10）
  • C6: 正規表現メール（10/10）
• Round 4: 日本語力（45/60）
  • D1: 敬語チェック（5/10）
  • D2: 蛙の季語（10/10）
  • D3: 慣用句チェック（3/10）
  • D4: 漢字選択（7/10）
  • D5: 日本語特有表現の英訳（10/10）
  • D6: やばいの5文（10/10）
• 最終スコアカード
• 所感
• よくある質問
• 関連記事
• 関連リンク
• この記事を書いた人

速度の話だけ先にしておきます。4.2 tok/s。Qwen3.5:4bが101.5 tok/sだったので、約24分の1です。1問が平均93秒かかり、24問で2,239秒——37分超かけてテストを終えた。VRAMは8.3GB使い切っての動作で、RTX 4070 Ti（12GB）の限界に近い。

同じ4倍差のパラメータ数で、コストはほぼ24倍かかる。そのコスト分の見返りがあるかを確認するのがこのテストです。

LLM性格診断: 「丁寧な優等生・でも肝心なとこで転ぶ型」

説明が丁寧で、コードは動く。日本語の細かいニュアンスにも気を配ろうとしている。それは確かだ。ただ「ここで踏ん張れ」という問題で力尽きる場面が2問（タイムアウト）あり、有名な慣用句を逆に間違える場面もあった。全体的に「惜しい」という感想が先に来るタイプ。

A1: バットとボール（10/10）

5円と即答。連立方程式を立てて根拠も提示しました。

A2: 太郎の兄弟姉妹（10/10）

「3人の姉全員が同じ太郎を弟として指している」を正確に把握して4人と正解しました。

A3: お墓に入れるか（3/10）

「法的に生きている人が自分のお墓に入れるか」という問いは、前提に矛盾が仕込まれている——生きているのだから埋葬できるわけがない。そこを指摘するのが正解ルートだ。

phi4:14bは民法・公衆道徳・健康・安全・宗教的側面と5段落をかけて丁寧に回答し、「専門家に相談することをお勧めします」で締めた。真面目すぎる。Qwen3.5:9bは自殺相談窓口を3つ貼ったが、phi4は行政手続き相談のトーンで終えた。どちらも問いの本質には辿り着けていない。

A4: りんごの行方（10/10）

「取った」から「花子が持っている」を選択。追加情報なしでは判断できない余計な選択肢に引きずられず、正解。

A5: 月曜日の回数（10/10）

問題文に「月曜日始まり」と明記してあるのを正しく読んで、3月1日・8日・15日・22日・29日の5回と答えた。

A6: 医者と息子（0/10）

「担当医が母親である」という正解に辿り着けなかった。「交通事故で亡くなった男性も息子の父親であり、同時に担当医もその父親」という解釈を出した。つまり「父親が2人いる」という展開になっていて、自分で矛盾を作っている。

「医師が女性である可能性」——24問シリーズでこの問題に挑んだ全モデルのうち、これに辿り着いたのは今のところゼロだ。

B1: モンティホール問題（7/10）

「ドア2に変えるべき」と正解。確率2/3も提示した。ただし説明の中に「車を見つける確率を2/3から1/3に増やす」という一文がある。これは逆で、「1/3から2/3に増やす」が正しい。結論は合っているが、説明が誤っている。

B2: 嘘つきと正直者（0/10）

「あなたは正直者ですか？」と聞かれたとき——正直者なら「はい」、嘘つきなら「いいえ」とphi4は答えた。

これは間違い。嘘つきは嘘をつくので、「私は正直者か？」という問いに対して「いいえ（正直者ではない）」と正直に答えることにはならない。嘘をつくのだから「はい」と言う。正直者も「はい」と言う。つまりどちらも「はい」と答える——これが正解だ。

「嘘をつく人間は自分が嘘つきだと認めない」という当たり前のことを、問題の文脈で取り違えた。

B3: 水差しで4リットル（10/10）

3L→5Lに注ぐ→3Lに再び入れる→5Lが満杯になるまで注ぐ（2L）→3Lに1L残る→5Lを空にする→1Lを5Lに移す→4L完成。7ステップを正確に記述した。

B4: 100人囚人のパリティ戦略（10/10）

偶数・奇数カウントで情報を伝達し、99人を確実に助けるパリティ戦略を自力で構築した。これを14Bが出せるのは素直に感心する。

B5: 川渡り問題（10/10）

ヤギ→戻る→狼→ヤギを戻す→キャベツ→戻る→ヤギという7ステップを完全記述。

B6: 天秤と偽コイン（0/10）

12枚の天秤問題（3回で偽コインを特定）でタイムアウト（180秒）。この問題はすべての分岐を考慮しながら解く必要があり、モデルのサイズを問わず重い。deepseek-r1:7bも同じようにthinkingが止まらなかった系統の問題だ。

C1: FizzBuzzJazz（10/10）

3・5・7の倍数それぞれにFizz・Buzz・Jazzを組み合わせるPythonコードを正しく実装。条件の組み合わせも正確。

C2: JavaScriptクロージャ（10/10）

varのスコープとsetTimeoutの非同期実行が組み合わさって3が3回出力される理由を正確に説明。IIFEとletによる修正方法も両方提示した。

C3: SQLインジェクション（10/10）

f"...'{username}'" のフォーマット文字列結合によるリスクを即指摘し、パラメータ化クエリ（%sプレースホルダ）で修正。sqlite3の場合の?記法についても補足した。

C4: 再帰フィボナッチ（0/10）

タイムアウト（180秒）。再帰フィボナッチの問題点とメモ化・反復への改善を説明する問題だが、力尽きた。B6と合わせてタイムアウト2問——phi4:14bの天井が見えた場所だ。

C5: Pythonデフォルト引数（10/10）

関数定義時に1回だけ評価されるデフォルト引数の罠を正確に説明。[1]→[1,2]→[1,2,3]という出力も正確。

C6: 正規表現メール（10/10）

【2026-07-26 訂正】 以下の説明は誤りです。[email protected] は実際にはこの正規表現にマッチします。ドメイン部の文字クラス [a-zA-Z0-9.-]+ にドットが含まれるため「.example」がここに吸収され、続く \.[a-zA-Z]{2,} が「.com」に一致します。メールアドレスとしては不正ですが、この正規表現は弾けません。つまり「2つがマッチしない」というこのモデルの回答は正確ではありませんでした。当時の選択肢では、マッチしないのは5番（@example.com）のみでした。なお点数は当時の採点基準のまま掲載しています。当時の回答原文がほとんど残っておらず、遡っての再採点ができないためです。 [email protected]（ドメイン部がピリオドから始まる）と@example.com（ユーザー名が空）の2つがマッチしないと正確に回答。

D1: 敬語チェック（5/10）

「先日、弊社の田中部長がご説明させていただきましたように」——ここには「ご〜させていただく」という二重敬語が含まれており、かつ社内の人物（田中部長）に尊敬語「ご」をつける問題がある。正解は「田中が説明しましたように」という方向の修正だ。

phi4は「ように」→「通り」「存じます」→「幸いです」という修正を提案した。悪くはないが、核心の「ご説明させていただく」問題には触れていない。

D2: 蛙の季語（10/10）

「古池や蛙飛び込む水の音」——蛙は春の季語です。正解。

Qwen3:4b（4B）・Qwen3:8b（8B）・Swallow-Llama3（8B）が「夏」または「秋」と答えたこの問題を、phi4:14bはきちんと正解した。14Bを使う理由のひとつはここにある。

D3: 慣用句チェック（3/10）

今回の最大の誤答。

問題には5文が並んでいた。正解は「1番（的を得た→的を射た）」と「4番（確信犯を誤用）」が間違い、残り3つは正しい——というのが模範的な回答ラインだ。

phi4が誤りとして指摘したのは：

• 2番（役不足） → 「役立たずだ」に修正しようとした。しかし「役不足」は「実力に対して役目が小さすぎる」という意味で、括弧内の「彼には簡単すぎる」は正しい使い方だ。
• 3番（汚名返上） → 「汚名を挽回するために」に修正しようとした。しかし「汚名返上」が正しく、「汚名挽回」こそ誤用だ。

Swallow-Llama3（日本語特化モデル）が同じ間違いをしていた。サイズが3倍以上違うphi4:14bが、同じ穴にはまった。

D4: 漢字選択（7/10）

「彼の長年の（かんしゃ）を述べた」——文脈上「感謝」が入る。phi4は「業績」を選んだ。「施行」（正解）と「軌跡」（正解）は合っていたが、1問取り違えた。

D5: 日本語特有表現の英訳（10/10）

• 木漏れ日 → "Sunlight filtering through the leaves" / "Dappled sunlight"
• 積ん読 → "Book pile" / "Unread books"
• 物の哀れ → "The pathos of things" / "Ephemeral beauty"

deepseek-r1:7bが「木漏れ日」を「Drought Day（干ばつの日）」と訳した問題で、phi4はまともに答えた。

D6: やばいの5文（10/10）

食べながらの「やばい！」（肯定）、締め切り前（否定）、目つき（否定）、映画ラスト（肯定）、財布忘れ（否定）——全問正確に文脈判断した。

コーディングカテゴリ83%・日本語75%・意地悪71%。タイムアウト2問（B6・C4）を除けば、全体的にまとまったスコアだと思います。

ただ速度の話は無視できない。4.2 tok/sで1問93秒。Qwen3.5:4b（101.5 tok/s）と比べると、同じRTX 4070 Tiで24分の1の速度しか出ない。スコアはBlogQwen3.5:4b 24問テスト——thinkingをOFFにしたらスコアが21%上がった話Qwen3.5:4bをOllama上でベンチマーク。thinkingモードが原因で9問が空回答になった。think:falseに切り替えたらスコアが194/240（80.8%）に回復。RTX 4070 Tiで101.5 tok/s出る4Bモデルの実力を24問で徹底検証。→に届かず、速度は大きく劣る。

「日本文化への理解」という軸で見れば、蛙の季語を正解し、日本語翻訳も適切だった。小さいモデルが苦手とする細かい知識を押さえている。それはパラメータ数の貢献だと思う。

ただ「汚名返上を誤用と断言した」という事実も残る。BlogローカルLLM24問テスト：コード77点・日本語47点——東工大Swallowの意外な素顔東工大の日本語特化モデルSwallow 8Bを24問でテスト。コード77点・日本語47点という反直感的な結果と、「汚名返上を誤用と言った日本語特化AI」の実態を正直に報告します。→と同じ間違いを、14Bでやった。

性能が上がるにつれて「どこで当たり前に転ぶか」が変わっていく。それだけで、まだ見ておく価値があるモデルだと感じています。

Q. phi4:14bはOllamaで動かせますか？ はい。ollama run phi4:14b でインストール・実行できます。VRAM 8GB以上（このテストでは8.3GB使用）が必要です。RTX 4070 Ti（12GB）では動作しましたが、推論速度は4.2 tok/sと遅いため、インタラクティブな用途には向きません。バッチ処理や精度重視の用途向けです。

Q. phi4:14bとQwen3.5:4bどちらを選べばいいですか？ 速度重視ならBlogQwen3.5:4b 24問テスト——thinkingをOFFにしたらスコアが21%上がった話Qwen3.5:4bをOllama上でベンチマーク。thinkingモードが原因で9問が空回答になった。think:falseに切り替えたらスコアが194/240（80.8%）に回復。RTX 4070 Tiで101.5 tok/s出る4Bモデルの実力を24問で徹底検証。→が有利です。phi4:14bは速度が約24分の1で、スコアも低い（72.9% vs 80.8%）。ただし蛙の季語など日本文化知識や翻訳精度では14Bの恩恵があります。VRAM 8GB未満の環境では4Bモデル一択です。

Q. ローカルLLMをOllamaで動かすのに必要なGPUは？ モデルごとに必要VRAMが異なります。phi4:14bは約8.3GBが目安です。OllamaのGPU選び参考ページも確認してみてください。

免責事項: 本記事は個人環境（RTX 4070 Ti / Ollama v0.17.4）でのテスト結果です。ハードウェア構成やOllamaバージョンにより結果が異なる場合があります。

• BlogQwen3:4b 24問テスト——コード95点、日本語22点の衝撃格差4Bパラメータの軽量モデルQwen3:4bを24問テスト。論理・コードで95%を叩き出しながら日本語力は22%に沈む衝撃の格差を徹底解剖。→
• BlogOllamaでローカルにチャットを住まわせた記録 — インストールからモデル選びまでOllamaを使ってローカルLLMを動かした実録。インストール手順・VRAM別モデル選び・実際に使って感じた正直な評価まで。RTX 4070 Ti（12GB）環境での体験ベース。→
• Blog推論に特化したモデルが39%しか取れない理由——deepseek-r1で何が起きたかRTX 4070 Ti + Ollamaでdeepseek-r1:7bを24問テスト。94/240点（39.2%）ランクDの背景を掘る。6問タイムアウト・日中混合テキスト・論理は強い、という複雑な姿を正直に記録。→

• 実際の構成を探すなら、GPU 比較ページやローカルLLM向け構成記事もあわせて見ると判断しやすいです。
• ハードウェア候補は用途別の AI 構成ガイドからたどると、単体製品より違和感なく検討できます。

HW系エンジニアとして20年以上、10,000件を超える顧客訪問と2,000件を超える単独ソリューション実績。AIツールを使った個人開発やIoT農園など、Raspberry Piを使ったオートメーション化なども実践中です！エンジニア専門結婚相談所も運営中、ClaudeCodeで解決できない心の課題も解決いたします！