5 月 28 日，微軟在 Build 2024 大會上推出了最新的 Phi-3 系列成員——Phi-3-vision。這一工具主打視覺應(yīng)用，能有效處理圖片文字信息，且在移動設(shè)備上也能運行自如。

Phi-3-vision 是一種小型多模式語言模型（SLM），主要適用于本地人工智能場景。其模型參數(shù)高達 42 億，上下文序列包含 128k 個符號，可滿足各種視覺推理和其他任務(wù)需求。

Microsoft 通過一篇新發(fā)表的論文［PDF］展示了 Phi-3-vision 的強大實力。與其他模型如 Claude 3-haiku、Gemini 1.0 Pro 相比，Phi-3-vision 毫不遜色。

此外，Microsoft 還對 Phi-3-vision 進行了多項測試，并將其與其他競品模型進行了比較，包括字節(jié)跳動的 Llama3-Llava-Next（8B）、微軟研究院與威斯康星大學(xué)、哥倫比亞大學(xué)聯(lián)合開發(fā)的 LlaVA-1.6（7B）以及阿里巴巴通義千問 QWEN-VL-Chat 模型等。結(jié)果表明，Phi-3-vision 在多個項目中的表現(xiàn)均十分出色。