微软 Phi-4 多模态及迷你模型上线，语音视觉文本全能

IT之家于2024年2月27日报道，微软推出了其最新的小型语言模型（SLM）Phi-4，此款产品在同类产品中表现出色。今天，微软进一步丰富了Phi-4系列，发布了两款新模型：Phi-4 多模态（Phi-4-multimodal）和 Phi-4 迷你（Phi-4-mini）。

Phi-4 多模态模型是微软首个整合语音、视觉与文本处理的统一多模态语言模型，其参数量达到56亿。在各项基准测试中，Phi-4 多模态的表现超越其他主流全模态模型，如谷歌的Gemini 2.0 Flash和Gemini 2.0 Flash Lite。

在与语音相关的任务上，Phi-4 多模态在自动语音识别（ASR）和语音翻译（ST）方面表现优异，超越了专业语音模型如WhisperV3和SeamlessM4T-v2-Large。微软指出，该模型在Hugging Face OpenASR排行榜上以6.14%的词错误率名列前茅。

在视觉任务上，Phi-4 多模态在数学和科学推理中表现出众，尤其在文档理解、图表处理、光学字符识别（OCR）以及视觉推理等常见多模态应用中，展现了对标甚至超越Gemini-2-Flash-lite-preview和Claude-3.5-Sonnet等热门模型的能力。

IT之家发现，Phi-4 迷你模型则特别针对文本处理任务，其参数量为38亿。在文本推理、数学运算、编程、执行指令和函数调用等方面均展现了卓越性能，超越了多款主流大型语言模型。

为了保证新模型的安全性与可靠性，微软邀请了内部及外部安全专家进行全面测试，并运用了微软AI红队（AIRT）制定的安全策略。经过进一步的优化，Phi-4 迷你与Phi-4 多模态模型都能通过ONNX Runtime在设备端进行部署，实现跨平台应用，以满足低成本及低延迟的需求。

现在，Phi-4 多模态和Phi-4 迷你模型已在Azure AI Foundry、Hugging Face和NVIDIA API目录上线，供开发者使用。

Phi-4系列新模型的发布，象征着高效AI技术的显著进步，为各类人工智能应用提供了强大的多模态与文本处理能力。

广告声明：文中的外部链接（包括但不限于超链接、二维码、口令等），用于传递更多信息，以节省搜寻时间，结果仅供参考。