2 月 27 日消息，微軟于 2024 年 12 月發布了 Phi-4，這是一款在同類產品中表現卓越的小型語言模型（SLM）。今日，微軟進一步擴展 Phi-4 家族，推出了兩款全新模型：Phi-4 多模態（Phi-4-multimodal）和 Phi-4 迷你（Phi-4-mini）。

Phi-4 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，參數量達 56 億。在多項基準測試中，Phi-4 多模態的表現優于其他現有的先進全模態模型，例如谷歌的 Gemini 2.0 Flash 和 Gemini 2.0 Flash Lite。

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。微軟表示，該模型在 Hugging Face OpenASR 排行榜上以 6.14% 的詞錯誤率位居榜首。

在視覺相關任務中，Phi-4 多模態在數學和科學推理方面表現出色。在文檔理解、圖表理解、光學字符識別（OCR）和視覺科學推理等常見多模態能力方面，該模型與 Gemini-2-Flash-lite-preview 和 Claude-3.5-Sonnet 等流行模型相媲美甚至超越。

IT之家注意到，Phi-4 迷你模型則專注于文本任務，參數量為 38 億。其在文本推理、數學計算、編程、指令遵循和函數調用等任務中表現優異，超越了多款流行的大型語言模型。

為確保新模型的安全性和可靠性，微軟邀請了內部和外部安全專家進行測試，并采用了微軟人工智能紅隊（AIRT）制定的策略。經過進一步優化后，Phi-4 迷你和 Phi-4 多模態模型均可通過 ONNX Runtime 部署到設備端，實現跨平臺使用，適用于低成本和低延遲場景。

目前，Phi-4 多模態和 Phi-4 迷你模型已在 Azure AI Foundry、Hugging Face 和 NVIDIA API 目錄中上線，供開發者使用。

Phi-4 系列新模型的推出，標志著高效 AI 技術的重大進步，為各類人工智能應用帶來了強大的多模態和文本處理能力。