Phi-4-multimodal-instruct
Suverenitāte un mitināšana
Šis modelis ir iekļauts katalogā uzziņai. Tas vēl nav mitināts LLM EU, un neviens pirmās puses galapunkts to šeit neapkalpo. Pieprasījumi tam tiek nosūtīti tieši nodrošinātājam saskaņā ar šī nodrošinātāja nosacījumiem.
Kopsavilkums
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.
Specifikācijas
- Nodrošinātājs
- Microsoft (US)
- Konteksta logs
- 131k
- Parametri
- 5.57B
- Modalitātes
- text, vision, audio
- Licence
- mit · licence
- Atvērti svari
- yes
- Izlaiduma datums
- 2025. g. 24. febr.
- Uzdevumi
- vision, summarization, multilingual-support, cheap
Valodas
Spēcīga: en, de, fr, es, it, pt
Atbilstoša: nl, pl, sv, da, fi, cs, ru, uk, ar, zh, ja, ko, hi, tr
Valodas
Spēcīga
- en
- de
- fr
- es
- it
- pt
Atbilstoša
- nl
- pl
- sv
- da
- fi
- cs
- ru
- uk
- ar
- zh
- ja
- ko
- hi
- tr
Nav verificēts: nodrošinātājs nav dokumentējis šo apgalvojumu. — a language is listed as strong only where a source claims it; the card links the evidence where one exists.
Kad to izmantot
Stiprās puses
- 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
Ierobežojumi
- modality-specific quality is below dedicated single-modality models
- English-centric training data
- no evaluation has been run by LLM EU