Phi-4-raisoning-vision: Exécution mentale visuelle Devri de Microsoft

Lorsque l'écosystème d'intelligence artificielle est marié à des modèles plus grands et plus rentables, Microsoft va à l'encontre d'une nouvelle approche qui impose des mémorisations. Les modèles de raisonnement multimodal sont l'un des représentants les plus puissants de la vision 2026, Phi-4-raisoning-vision lance une véritable patrouille de raisonnement visuel dans l'industrie en éliminant la taille de la vision. Ce modèle de 15 milliards de paramètres (15B) de nouvelle génération, qui est principalement lancé, est non seulement capable de détecter les images passivement, mais aussi avec un pas sur ces images, des intérêts logiques et complexes. DéveloppeursMicrosoft Modèles d'IA de fonderieA partir du catalogue, Hugging Face de la plate-forme et GitHub Cette structure innovante, qui peut accéder instantanément à travers, offre de fortes capacités d'analyse même sur les appareils finaux, réduisant la dépendance aux centres de données nécessitant une forte force de calcul.

Pourquoi Phi-4-vision ? Moins de données, plus de renseignements

Phi-4-vision 15B est l'énorme optimisation des données dans le processus éducatif du modèle, qui attire le plus d'attention parmi ses caractéristiques et crée une surprise chez les chercheurs en intelligence artificielle. Les modèles concurrents les plus puissants de l'industrie Qwen 3 VLÉtiquettes Sommaire et Gemma 3 De gigantesques systèmes de langage de vision sont souvent formés avec d'énormes jetons de données plus de 1 trillion. À son tour,-4 Phi-raisoning-vision n'est formé qu'à l'aide de 200 milliards de jetons multimodaux et a réussi à effectuer une performance supérieure à eux dans certains domaines.

Alors comment obtenir une intelligence élevée avec des données à un taux de cinq? La réponse réside dans la rigueur du processus de traitement des données plutôt que dans la quantité de données. Les chercheurs ont classé manuellement les données éducatives provenant d'Internet aléatoire, corrigé les questions incorrectes, les erreurs de logique et les troubles du format dans des ensembles de données libres. Dans les cas nécessaires, à l'aide de modèles tels que GPT-4o, les données sont enrichies synthétiquement et créé parfaitement un pool de données. Ce modèle, formé en peu de temps, utilisant seulement 240pcs NVIDIA B200 GPU, est un chef-d'œuvre qui repousse les limites de Pareto en termes d'efficacité énergétique et de force de calcul.

Le tableau ci-dessous résume clairement les différences structurelles que le modèle révèle par rapport à ses concurrents:

Rapports scientifiques et compréhension de l'assurance-chômage

Identification visuelle générale

Matériel nécessaire

Matériel faible / modéré

Haut / Datacenter

Exécution mentale

Hybride (résultat + non motivé)

Mode unique

Architecture technique: Mi-Fusion et intégration SigLIP-2 u

Comment combiner les données visuelles et textuelles dans un modèle d'intelligence artificielle, il détermine directement l'efficacité du modèle. Les premiers modèles de fusion (préfusion) qui fonctionnent dans le même transformateur depuis le début des images et des textes nécessitent une très grande force de calcul et une capacité de mémoire. Phi-4-raisoning-vision utilise l'architecture de milieu de perfusion pour offrir un faible coût en même temps avec une haute force d'expression. Dans cette architecture, développée par Google pour traiter des images, SigLIP-2 prend la tâche d'encodeur visuel. Les visuels sont traduits en jetons visuels d'abord, puis le capteur multicouches (MLP) est mélangé avec des jetons de langage en transférant dans l'espace de chasse du modèle Phi-4 avec une couche de projection.

Le point le plus ennuyeux de cette intégration est l'utilisation de la résolution dynamique. Grâce à la variante NaFlex de SigLIP-2, les images sont traitées sans distorsion des taux d'aspect d'origine. Le nombre de jetons visuels peut être jusqu'à 3.600 (environ 720p résolution HD) selon les besoins. Cette structure dynamique offre une netteté de perception visuelle unique en bloquant la plus petite icône sur un écran d'ordinateur ou des graphiques détaillés fins dans un article scientifique.

Stratégie de données hybrides : exécution mentale et perception

Phi-4-raisoning-vision a un moteur d'audition hybride révolutionnaire qui donne aux utilisateurs les options de "Thick" ou "Thick", par rapport aux modèles uniformes qui travaillent à résoudre chaque problème avec la même méthode. Environ 80 % des données sur l'éducation sont perçues et 20 % d'entre elles sont composées de données qui nécessitent un raisonnement profond.

Les utilisateurs peuvent clairement rediriger le comportement du modèle. Si seule la transcription du document est demandée pour avoir la coordination d'un objet sur la lecture ou l'affichage du reçu, En quelques secondes avec tag, il produit des résultats directs sans dépenser la puissance de traitement inutile. Mais quand un problème de physique complexe est donné une question mathématique ou une tâche analytique en plusieurs étapes qui nécessite des preuves, ... En entrant dans les étiquettes, il sépare le problème en parties logiques, évalue les étapes intermédiaires et atteint la réponse la plus précise avec un processus de pensée enchaînée. Cette flexibilité maximise la précision tout en réduisant la latence.

2026 Domaines d'application : Lecture d'écran et analyse scientifique

Phi-4-raisoning-vision, au-delà d'être un seul succès académique, résoudre des problèmes industriels et individuels un outil professionnel conçu. Fonderie Microsoft Les modèles Al sont les principaux domaines d'application de cette intelligence artificielle :

• Utilisation de l'écran : Modèle peut lire les interfaces smartphone, bureau et navigateur web avec une excellente précision. Un score d'enregistrement comme 88.2 que ScreenSpot v2 tests prouve que le modèle peut non seulement reconnaître les boutons, les menus, les icônes de panier et les champs de texte à l'écran, mais que ces éléments (x,y) coordonnées peuvent être détectés en millimétrique. Otonom fournit une infrastructure parfaite pour les agents d'intelligence artificielle (par exemple les robots de commerce électronique).

• Exécution mentale scientifique : La capacité de logique mathématique du modèle laisse derrière les géants de l'industrie. Les étudiants analysent les équations mathématiques remplies de noircissements, de transactions erronées surécrites et de manuscrits complexes. Il offre des solutions étape par étape qui expliquent où l'erreur est faite comme un enseignant, en se concentrant sur le traitement correct des pièces défectueuses. Il peut également commenter avec succès des graphiques académiques intensifs et des tableaux istatiques. 75,2 points dans MathVista mini test sont la preuve de cette capacité supérieure.

Le monde de l'intelligence artificielle La taille a prouvé une fois de plus avec Phi-4-raisoning-vision, qui est toujours très critique pour la qualité des données et l'architecture optimisée. Avec son efficacité, sa capacité de renseignement et sa faible exigence matérielle, ce modèle est candidat pour être l'un des assistants d'IA les plus stratégiques de 2026 et au-delà.