Phi-4多模態

Phi-4多模態是微軟於2025年2月發布的小型語言模型，是微軟首款集成語音、視覺和文本處理能力的統一架構多模態模型。該模型參數量為56億，支持文本、圖像、音頻輸入及128K token上下文視窗，通過ONNX Runtime部署至不同設備，適用於低延遲場景。

2025年2月27日，微軟在Phi-4系列基礎上推出多模態版本，新增跨模態信息處理能力。該模型在自動語音識別和語音翻譯任務中超越WhisperV3等專業語音模型。Phi-4多模態採用混合LoRA技術實現跨模態學習，被套用於手機實時翻譯、汽車手勢識別等場景。微軟通過Azure AI Foundry、Hugging Face等平台提供部署渠道，由副總裁Weizhu Chen領導的團隊開發完成。

基本介紹

• 中文名：Phi-4多模態
• 所屬：微軟

發展歷史

2025年2月27日，微軟進一步擴展 Phi-4 家族，推出Phi-4 多模態（Phi-4-multimodal）。

主要功能

Phi-4 多模態多模態模型是微軟首款集成語音、視覺和文本處理的統一架構多模態語言模型，參數量 56 億。在語音相關任務中，Phi-4 多模態在自動語音識別（ASR）和語音翻譯（ST）方面超越了 WhisperV3 和 SeamlessM4T-v2-Large 等專業語音模型。