5 月 26 日消息，微软近日公布了旗下小语言 AI 模型家族（SLM）最新成员 "Phi-3-vision"，这款模型主打 " 视觉能力 "，能够理解图文内容，同时据称可以在移动平台上流畅高效运行。

据介绍，Phi-3-vision 是微软 Phi-3 家族首款多模态模型，该模型的文字理解能力基于 Phi-3-mini，同时也具备 Phi-3-mini 的轻量特点，能够在移动平台 / 嵌入终端中运行；该模型参数量为 42 亿，大于 Phi-3-mini（3.8B），但小于 Phi-3-small（7B），上下文长度为 128k token，训练期间为 2024 年 2 月至 4 月。

Phi-3-vision 模型的最大特色正如其名，主要支持 " 图文识别能力 "，号称能够理解现实世界的图片含义，还能快速识别提取图片中的文字。

微软表示，Phi-3-vision 特别适合办公场合，开发人员特别优化了该模型在识别图表和方块图 ( Block diagram ) 方面的理解能力，据称可以利用用户输入的信息进行推论，同时还能做出一系列结论，为企业提供战略建议，号称 " 效果比肩大模型 "。

在模型训练方面，微软声称 Phi-3-vision 是由 " 多种类型图片及文字数据训练而成 "，包括一系列 " 经过严选的公开内容 "，例如 " 教科书等级 " 教育材料、代码、图文标注数据、现实世界知识、图表图片、聊天格式等内容，从而确保模型输入内容的多样性。为了确保隐私，微软声称他们所使用的训练数据 " 可追溯 " 不包含任何个人信息。

性能方面，微软提供了 Phi-3-vision 相较于字节跳动 Llama3-Llava-Next（8B）、微软研究院和威斯康星大学、哥伦比亚大学合作的 LlaVA-1.6（7B）、阿里巴巴通义千问 QWEN-VL-Chat 模型等竞品模型的比较图表，其中显示 Phi-3-vision 模型在多个项目上表现优异。