Phi-4-multimodal-instruct
Szuverenitás és üzemeltetés
Ez a modell referenciaként szerepel a katalógusban. Az LLM EU még nem üzemelteti, és itt egyetlen saját végpont sem szolgálja ki. A hozzá intézett kérések közvetlenül a szolgáltatóhoz mennek, annak saját feltételei szerint.
Összefoglaló
Phi-4-multimodal-instruct is a 5.6B model that accepts text, images and speech in one checkpoint, with a 128K-token context and the MIT licence. The model card reports 55.1 on MMMU, 93.2 on DocVQA and 62.4 on MathVista, and lists the supported languages separately for each input modality. It is a compact option for document and speech pipelines that would otherwise need two models.
Specifikációk
- Szolgáltató
- Microsoft (US)
- Kontextusablak
- 131k
- Paraméterek
- 5.57B
- Modalitások
- text, vision, audio
- Licenc
- mit · licence
- Nyílt súlyok
- yes
- Megjelenés dátuma
- 2025. febr. 24.
- Feladatok
- vision, summarization, multilingual-support, cheap
Nyelvek
Erős: en, de, fr, es, it, pt
Megfelelő: nl, pl, sv, da, fi, cs, ru, uk, ar, zh, ja, ko, hi, tr
Nyelvek
Erős
- en
- de
- fr
- es
- it
- pt
Megfelelő
- nl
- pl
- sv
- da
- fi
- cs
- ru
- uk
- ar
- zh
- ja
- ko
- hi
- tr
Nincs ellenőrizve: a szolgáltató nem dokumentálta ezt az állítást. — a language is listed as strong only where a source claims it; the card links the evidence where one exists.
Mikor érdemes használni
Erősségek
- text, image and speech input at 5.6B parameters
- 128K-token context for document batches
- MIT licence
- 23 declared languages including most large EU languages
Korlátok
- modality-specific quality is below dedicated single-modality models
- English-centric training data
- no evaluation has been run by LLM EU