IT之家 3 月 5 日消息，据微软官方开发者社区博客今日消息，微软发布了一款 Phi-4-Reasoning-Vision-15B 模型，这是一款视觉推理模型。
它结合了高分辨率视觉感知与选择性、任务感知的推理，使其成为 Phi-4 系列中首个同时实现“看得清楚”和“想得深入”的小语言模型（SLM）。
打开网易新闻 查看精彩图片
传统的视觉模型仅执行被动的感知 —— 识别图像中“有什么”。Phi-4-Reasoning-Vision-15B 更进一步，执行结构化、多步骤的推理：理解图像中的视觉结构，将其与文本上下文连接，并得出可操作的结论。这使开发者能够构建从图表分析到 GUI 自动化的智能应用。
打开网易新闻 查看精彩图片
该模型最关键的设计特征是其混合推理行为。它可以根据提示在“推理模式”和“非推理模式”之间切换：
- 当需要深度推理时（例如数学问题、逻辑分析）→ 启用多步推理链
- 当快速感知足够时（例如，OCR、元素定位）→ 直接输出以降低延迟
该模型最重要的应用领域之一，就是搭配计算机智能体使用。模型接收一个屏幕截图和自然语言指令后，可输出目标 UI 元素的标准化边界框坐标，其他智能体模型可以执行点击、滚动和其他交互。
以下是 Phi-4-Reasoning-Vision-15B 与其他模型在关键任务上的性能对比：
打开网易新闻 查看精彩图片
▲ 非推理模式
打开网易新闻 查看精彩图片
▲ 推理模式
IT之家附开源地址如下：
热门跟贴