A Microsoft a Microsoft Build 2024 rendezvényen mutatta be a Phi-3 Visiont, a Phi-3 család bővítését. A kis nyelvi modell szöveg- és képfeldolgozásra egyaránt alkalmas funkciókkal rendelkezik, 4,2 milliárd paraméterével ideális a mobiltelefonokban és laptopokban való futtatásra.
A rendezvényen a Microsoft vezérigazgatója, Satya Nadella kijelentette, hogy a modell „hibrid”, vagyis addig futhat az eszközökön, amíg a szükséges hardver rendelkezésre áll, ezt követően pedig a felhőbe migrál. A Phi-3 család tagjai a Phi-3-vision, a Phi-3-small és a Phi-3-mini. Az alacsony költségű és alacsony számítási igényű MI-szolgáltatások iránti növekvő kereslet a Phi-3-hoz hasonló könnyű és költséghatékony MI-modellek fejlesztését táplálja. A Microsoft Phi-3-Vision 4,2 milliárd paraméterrel rendelkezik, így ideális választás mobileszközökhöz és laptopokhoz.
A Phi-3 vision az első multimodális modell a Phi-3 családban. Kombinálja a szöveget és a képeket, a vizualizációk feletti következtetést. Optimalizálták a grafikonok és a diagramok megértésére, meglátások generálására és kérdések megválaszolására, azonban nem hoz létre képeket, mint a Microsoft DALL-E – ehelyett segít megérteni a képeken található objektumokkal kapcsolatos információkat. A modell adathalmazok, nyilvánosan elérhető weboldalak felhasználásával épül fel.
A kis nyelvi modellek általában jobban illeszkednek a könnyebben kezelhető feladatokhoz, hozzáférhetők a kevesebb erőforrással rendelkező szervezetek számára, és könnyebben testre szabhatók az egyedi követelményekhez. Jól alkalmazhatók helyi gépen futtatva, ahol egy feladat kevés érvelést és elemzést, valamint gyors választ igényel.
A fejlesztők a Microsoft Phi-3-Vision modelljét az Azure AI Studio és az Azure AI Playground előnézetben találhatják meg.
