Phi-4-reasoning-vision: Visual Mind Execution Devri desde Microsoft

Cuando el ecosistema de inteligencia artificial está casado con modelos más grandes y más rentables, Microsoft va contra un nuevo enfoque que impone memorizaciones. Los modelos de razonamiento multimodal son uno de los representantes más poderosos de la visión 2026, Phi-4-reasoning-vision está lanzando una verdadera patrulla de razonamiento visual en la industria eliminando el “qué grande es”. Este modelo de 15 mil millones de parametros de nueva generación, que se lanza principalmente, no sólo es capaz de detectar imágenes pasivamente, sino también con un paso muy hacia estas imágenes, intereses lógicos y complejos. Desarrolladores “Microsoft Modelos de fundición AI” del catálogo, Hugging Face desde la plataforma y GitHub Esta innovadora estructura, que puede acceder instantáneamente a través de, ofrece fuertes capacidades analíticas incluso en dispositivos finales, reduciendo la dependencia de centros de datos que requieren una alta resistencia al cálculo.

¿Por qué Phi-4-vision? Menos datos, más inteligencia

Phi-4-vision 15B es la tremenda optimización de datos en el proceso educativo del modelo, que atrae la mayor atención entre sus características y crea una sorpresa en investigadores de inteligencia artificial. Los modelos de competencia más fuertes de la industria Qwen 3 VLEtiquetas Home y Gemma 3 Los gigantescos sistemas de lenguaje de visión son a menudo entrenados con enormes fichas de datos de más de 1 trillón. A su vez, 4 Phi-reasoning-vision se entrenan sólo utilizando 200 mil millones de fichas multimodales y ha logrado realizar un rendimiento superior que ellos en ciertas áreas.

¿Cómo obtener una alta inteligencia con datos a una velocidad de cinco? La respuesta es meticulosa en el proceso de curación de datos en lugar de la cantidad de datos. Los investigadores clasificaron manualmente los datos educativos de Internet aleatorio, corrigieron preguntas incorrectas, errores lógicos y trastornos de formato en conjuntos de datos de código abierto. En los casos necesarios, utilizando modelos como GPT-4o, los datos se enriquecen sintéticamente y se crean perfectamente un grupo de datos. Este modelo, formado en poco tiempo, sólo utilizando 240pcs NVIDIA B200 GPU, es una obra maestra que empuja los límites de Pareto en términos de eficiencia energética y fuerza de cálculo.

En el cuadro que figura a continuación se resumen claramente las diferencias estructurales que el modelo revela contra sus competidores:

Scientific Reporting " UI Understanding

Identificación Visual General

Necesidad de hardware

Hardware bajo / Modest

Alta / Datacenter

Ejecución mental

Hybrid (Reasoning + Non-reasoning)

Modo único

Arquitectura Técnica: Mid-Fusion y SigLIP-2 Integration u

Cómo combinar datos visuales y textuales en un modelo de inteligencia artificial, determina directamente la eficiencia del modelo. Los modelos de fusión temprana (menorizada) que trabajan en el mismo transformador desde el comienzo de las imágenes y textos requieren una gran capacidad de cálculo y memoria. Phi-4-reasoning-vision utiliza la arquitectura mid-fusion para ofrecer bajo costo al mismo tiempo con alta resistencia a la expresión. En esta arquitectura, desarrollada por Google para procesar imágenes, SigLIP-2 toma la tarea de encoder visual. Los visuales se traducen en fichas visuales primero, luego el sensor multicapa (MLP) se mezcla con fichas de idioma transfiriendo al espacio de descarga del modelo Phi-4 con una capa de proyección.

El punto más molesto de esta integración es el uso de la resolución dinámica. Gracias a la variante NaFlex de SigLIP-2, las imágenes se procesan sin distorsionar las tasas de aspecto originales. El número de fichas visuales puede ser de hasta 3.600 (una resolución HD de 720p) según la necesidad. Esta estructura dinámica ofrece una agudeza de percepción visual única al bloquear el icono más pequeño en una pantalla de computadora o gráficos detallados finos en un artículo científico.

Estrategia híbrida de datos: Ejecución mental y percepción

Phi-4-reasoning-vision tiene un motor híbrido revolucionario que da a los usuarios las opciones "Thick" o "Thick", en comparación con modelos uniformes que trabajan para resolver cualquier problema con el mismo método. Aproximadamente el 80% de los datos educativos del sistema son percibidos y el 20% de ellos están compuestos de datos que requieren un profundo razonamiento.

Los usuarios pueden redirigir claramente el comportamiento del modelo. Si sólo se pide a la transcripción del documento que tenga la coordinación de un objeto en la lectura o visualización de la recepción, En segundos con etiqueta, produce resultados directos sin gastar energía de procesamiento innecesaria. Pero cuando un problema complejo de física se da una pregunta matemática o una tarea analítica de varios pasos que requiere evidencia, ... Al introducir las etiquetas, separa el problema a partes lógicas, evalúa pasos intermedios y alcanza la respuesta más precisa con un proceso de pensamiento encadenado. Esta flexibilidad maximiza la precisión al reducir la latencia.

2026 Áreas de Aplicación: Lectura de Pantalla y Análisis Científico

Phi-4-reasoning-vision, más allá de ser un único éxito académico, resolver problemas industriales e individuales una herramienta profesional diseñada. Microsoft Foundry Los modelos Al son las principales áreas de aplicación de esta inteligencia artificial:

• Uso de la pantalla (CUA): Modelo puede leer interfaces de smartphone, escritorio y navegador web con excelente precisión. Una puntuación récord como 88.2 que ScreenSpot v2 prueba que el modelo no sólo puede reconocer los botones, menús, iconos de cesta y campos de texto en la pantalla, sino que estas coordenadas (x,y) pueden ser detectadas en milimétricamente. Otonom proporciona una infraestructura perfecta para agentes de inteligencia artificial (por ejemplo, bots de comercio electrónico).

• Ejecución mental científica: La habilidad lógica matemática del modelo deja atrás a los gigantes de la industria. Los estudiantes analizan ecuaciones matemáticas llenas de ennegrecimientos, transacciones erróneas sobre escrito y manuscritos complejos. Ofrece soluciones paso a paso que explican dónde se hace el error como un maestro, centrándose en el procesamiento correcto de piezas defectuosas. También puede comentar con éxito gráficos académicos intensivos y tablas estáticas. 75.2 puntos en MathVista mini prueba son evidencia de esta habilidad superior.

Mundo de la inteligencia artificial El tamaño ha demostrado una vez más con Phi-4-reasoning-vision, que es siempre muy crítico a los datos de calidad y arquitectura optimizada. Con su eficiencia, capacidad de inteligencia y bajo requisito de hardware, este modelo es candidato a ser uno de los asistentes de inteligencia más estratégicos de 2026 y más allá.