Microsoftは、テキストとビジュアル入力を処理するように設計された、軽量でマルチモーダルなオープンソースAIモデルであるPhi-3.5-visionを発表しました。128Kコンテキスト長をサポートし、リソースの少ない環境に適しています。画像理解、OCR、グラフ解析、複数画像のサマリーなどの機能を備え、優れたパフォーマンスと低遅延を実現します。42億パラメーターで構成され、高品質なデータでトレーニングされているため、パフォーマンスとプライバシーが確保されています。軽量AI、エキスパートミックス、マルチモーダルモデルの3つのモデルが含まれており、いずれも画像とビデオ処理のベンチマークテストで優れた結果を示しています。

マイクロソフトは3つの新しいAIモデルを発表し、多言語およびマルチモーダル分野におけるリーダーシップ強化を目指しています。Phi-3.5Mini Instructは軽量モデルで、指示実行、コード生成、論理推論に適しており、特に多言語と複数回の会話において優れた性能を発揮します。Phi-3.5MoE混合専門家モデルは、豊富なパラメーターを持ち、様々な推論タスクをサポートし、特にコード、数学、多言語理解において同種のモデルを凌駕します。Phi-3.5Vision Instructはテキストと画像処理機能を統合しています。