微软近日公布了其小语言AI模型家族的新成员“Phi-3-vision”。该模型旨在提供视觉能力，可以在移动平台上高效运行。根据介绍，Phi-3-vision是微软Phi-3家族首款多模态模型，并基于Phi-3-mini的文字理解能力。参数量为42亿，大于Phi-3-mini的3.8B，但小于Phi-3-small的7B。上下文长度为128ktoken，训练期间为2024年2月至4月。

微软表示，Phi-3-vision特别适合办公场合，并特别优化了在识别图表和方块图(Blockdiagram)方面的理解能力。它能够理解现实世界的图片含义，并快速识别提取图片中的文字。微软还声称他们所使用的训练数据“可追溯”，不包含任何个人信息以确保隐私。

微软提供了与竞品模型如字节跳动Llama3-Llava-Next（8B）、微软研究院和威斯康星大学、哥伦比亚大学合作的LlaVA-1.6（7B）、阿里巴巴通义千问QWEN-VL-Chat模型等比较图表。结果显示Phi-3-vision在多个项目上表现优异。

值得一提的是，微软已经将该模型上传至HuggingFace，并且对感兴趣的人们开放访问该项目地址。