微软放大招。Phi-3.5-vision开源模型，手机也能运行“最强大脑”？

你有没有想过，有一天你的手机也能拥有堪比顶级AI的视觉推理能力？

微软最近发布的Phi-3.5-vision轻量级开源模型，或许能让这个梦想成为现实。作为Phi-3模型家族的新成员，它不仅支持惊人的128K上下文长度，还能在你的手机等终端设备上流畅运行，简直是给AI领域注入了一剂强心剂。

别看它身材小巧，实力却不容小觑。无论是识别图片内容、提取文字信息，还是分析图表数据、总结视频内容，Phi-3.5-vision都能轻松胜任，堪称一个多才多艺的“视觉推理大师”。

Phi-3.5-vision家族：三位一体，各显神通

Phi-3.5-vision家族共有三个成员，每个都身怀绝技：

1. Phi-3.5 Mini Instruct：轻量级“代码高手”

• 参数量： 3.82亿
• 特长： 代码生成、数学问题求解、逻辑推理
• 优势： 资源消耗低，推理能力强，堪称代码界的“小钢炮”
• 应用场景： 内存或计算资源有限的环境，例如手机、嵌入式设备

2. Phi-3.5 MoE：多面手“推理之王”

• 参数量： 41.9亿（实际活跃参数为6.6亿）
• 特长： 多语言理解、代码和数学推理
• 优势： 专家混合架构，多领域表现出色，堪称推理界的“全能王”
• 应用场景： 复杂AI任务，例如多语言翻译、科学研究

3. Phi-3.5 Vision Instruct：多模态“视觉专家”

• 参数量： 4.15亿
• 特长： 图像理解、OCR、图表解析、视频摘要
• 优势： 综合处理视觉和文本数据，堪称视觉界的“神探”
• 应用场景： 多帧图像对比、视频内容总结

Phi-3.5-vision：功能强大，应用广泛

Phi-3.5-vision的功能简直就像开了挂一样，让人眼花缭乱：

• 图像理解： 仿佛拥有“火眼金睛”，能识别图像内容，并进行详细分析。
• OCR：  轻松提取图片中的文字信息，再也不用手动输入了。
• 图表和表格理解：  快速解析图表和表格，让你秒懂数据背后的秘密。
• 多图像对比：  找出多张图片的异同点，就像一个专业的“找茬”高手。
• 多图像或视频剪辑摘要：  快速总结视频内容，再也不用担心错过精彩瞬间了。

Phi-3.5-vision：性能卓越，傲视群雄

Phi-3.5-vision在多项基准测试中都取得了亮眼的成绩，甚至超越了一些更大规模的模型：

• MMMU： 43.0分，多图像理解能力大幅提升。
• MMBench： 81.9分，多模态任务表现优异。
• TextVQA： 72.0分，视觉问答准确性更上一层楼。
• Video-MME：  短视频处理能力尤其出色，得分高达60.8。

在BLINK基准测试中，Phi-3.5-vision也表现出色，在艺术风格识别、法医检测、相对深度、空间关系等任务中都取得了高分。

Phi-3.5-vision：未来可期，潜力无限

Phi-3.5-vision的出现，无疑为AI领域带来了新的可能性。它不仅拥有强大的视觉推理能力，还能在资源有限的设备上运行，这将大大拓展AI的应用场景。

想象一下，未来你的手机可以帮你识别路边的植物、翻译菜单上的外文、甚至帮你分析复杂的财务报表……这一切都将变得触手可及。

想要体验Phi-3.5-vision的强大功能？赶紧去Hugging Face下载吧。

模型下载链接：https://huggingface.co/microsoft/Phi-3.5-vision-instruct

相信这款轻量级、多模态的开源模型，将会在AI领域掀起新的浪潮。你，准备好了吗？

以上就是我的分享，希望你能阅有所获，如果想加入社群可以扫下方的二维码添加我的微信，这里有最新的AI资讯和应用案例，互相交流共同提升，备注交流群，我会拉你入群（为了防止恶意广告营销，让大家有更好的交流氛围，现在进群需要9.9的门槛，希望大家理解），如果对加群不感兴趣也欢迎加我微信围观朋友圈，我会经常更新AI领域的好玩的工具。