5 月 28 日消息,，微軟在 Build 2024 大會(huì)上發(fā)布了 Phi-3 家族的最新成員--Phi-3-vision，主打“視覺能力”,，能夠理解圖文內(nèi)容,，同時(shí)據(jù)稱可以在移動(dòng)平臺(tái)上流暢高效運(yùn)行,。

Phi-3-vision 是一款多模態(tài)小型語言模型（SLM），主要用于本地 AI 場景,，該模型參數(shù)量為 42 億，上下文長度為 128k token,，能夠?yàn)槌Ｒ?guī)視覺推理任務(wù)和其他任務(wù)提供支持,。

那么 Phi-3-vision 有多厲害？微軟今天發(fā)布了新的論文 [PDF],，表示該 SLM 和 Claude 3-haiku,、Gemini 1.0 Pro 等其他模型不相上下。

微軟在論文中對(duì)比了 ScienceQA,、MathVista 和 ChartQA 等模型,，Phi-3-vision 的參數(shù)雖然不多，但性能非常優(yōu)秀,。

據(jù)此前報(bào)道,，微軟提供了 Phi-3-vision 相較于字節(jié)跳動(dòng) Llama3-Llava-Next（8B）、微軟研究院和威斯康星大學(xué),、哥倫比亞大學(xué)合作的 LlaVA-1.6（7B）,、阿里巴巴通義千問 QWEN-VL-Chat 模型等競品模型的比較圖表，其中顯示 Phi-3-vision 模型在多個(gè)項(xiàng)目上表現(xiàn)優(yōu)異,。