提交您的产品 
Ai应用
Ai资讯
在线生图
图生视频
文生视频
AI数字人系统微软推出了两款新模型：Phi-4-Multimodal多模态模型和Phi-4-Mini文本模型
微软近期推出了两款新模型，分别是Phi-4-Multimodal和Phi-4-Mini。
这两款模型虽然设计得比较小巧，但功能可不容小觑。Phi-4-Multimodal是微软首个多模态模型，它能把语音、视觉和文本处理等功能集成在一起，参数量有56亿。Phi-4-Mini则专注于文本任务，参数量为3.8亿。这两款模型都着重优化了在设备端以及边缘计算平台下的性能，能有效降低计算成本和延迟。
Phi-4-Multimodal
Phi-4-Multimodal是什么？
Phi-4-Multimodal是一款参数为5.6亿的多模态模型，主要负责处理文本、视觉以及语音/音频数据。它运用了一种叫LoRA（Low-Rank Adaptation）的创新技术，再搭配上特定模态的路由器，这样就能在不扩大模型整体规模的前提下，很好地处理和推理多种模态的数据。
技术特点
Phi-4-Multimodal使用了SigLIP - 400M图像编码器和MLP投影器，能让视觉信息与文本的表示空间相匹配。而且它还有动态多裁剪策略，不管是什么分辨率的图像，都能处理得很不错。在语音相关任务里，虽然语音/音频模态的LoRA组件规模不大，但在OpenASR排行榜上，它的词错误率（WER）达到了6.14%，排名第一，可见它在自动语音识别上的表现相当出色。
功能特点
多模态处理能力：Phi-4-Multimodal是微软首款集成语音、视觉和文本处理的统一架构多模态语言模型，参数量达56亿。它能够处理多种类型的数据，例如文本、图像、语音等，并将这些不同模态的信息融合起来，挖掘其中的关联信息。
语音处理：在自动语音识别（ASR）和语音翻译（ST）方面，Phi-4-Multimodal超越了WhisperV3和SeamlessM4T-v2-Large等专业语音模型，表现优异。
视觉处理：在文档理解、图表理解、光学字符识别（OCR）和视觉科学推理等任务中，Phi-4-Multimodal与Gemini-2-Flash-lite-preview和Claude-3.5-Sonnet等流行模型相媲美甚至超越。
文本处理：在文本推理、数学计算、编程、指令遵循和函数调用等任务中，Phi-4-Multimodal表现出色。
应用领域
Phi-4-Multimodal不光在视觉和语音任务中表现出色，在语音问答、文档理解、光学字符识别以及科学推理等方面也很有竞争力。不过在一些知识密集型的问答上，它和更大规模的模型相比，可能稍微差一点。
智能助手领域：在智能家居控制方面，Phi-4-Multimodal可以根据用户的语音指令和室内摄像头拍摄的画面，更精准地执行任务。
教育领域：对于在线教育中的多媒体学习资料，Phi-4-Multimodal可以分析视频中的图像、讲解音频对应的文本等，为学生提供更全面的学习辅助。
Phi-4-Mini
Phi-4-Mini是什么？
Phi-4-Mini是一款专门针对文本任务设计的高效模型，有3.8亿参数。它在语言理解和生成任务上的表现，比它的参数规模所预期的要好很多，甚至在某些方面能和更大的模型相提并论。
技术特点
Phi-4-Mini采用了32层Transformer结构，隐藏状态大小设定为3,072，还引入了Group Query Attention（GQA）机制，这样就能更好地处理长上下文信息。另外，分数RoPE维度的运用，也让它在处理长序列时效率更高。
功能特点
轻量化设计：Phi-4-Mini模型专注于文本任务，参数量为38亿。它采用了分组查询注意力机制（GQA）和输入/输出嵌入绑定技术，优化了长上下文生成时的资源利用。
高效文本处理：在文本推理、数学计算、编程、指令遵循和函数调用等任务中，Phi-4-Mini表现优异，超越了多款流行的大型语言模型。
应用场景
移动应用：在手机APP中，Phi-4-Mini可以为用户提供便捷的语言交互服务，快速回答关于景点信息、当地交通等问题。
物联网设备：对于智能音箱等物联网设备，Phi-4-Mini可以在本地设备上进行一些简单的语音交互处理，减少对云端的依赖，提高响应速度和保护用户隐私
性能表现
Phi-4-Mini虽然规模不大，但在推理、数学、编程等任务上，比同类的大型模型表现还要好，充分证明了它在特定任务上的高效性和准确性。
模型下载：https://huggingface.co/collections/microsoft/phi-4-677e9380e514feb5577a40e4
