微軟 Phi-3-vision 基準測試：和 Claude 3-haiku、Gemini 1.0 Pro 相當

微軟在 Build 2024 大會上發佈了 Phi-3 家族的最新成員--Phi-3-vision，主打視覺能力，能夠理解圖文內容，同時據稱可以在行動平台上流暢高效運行。

Phi-3-vision 是一款多模態小型語言模型（SLM），主要用於本機的 AI 情境應用，該模型參數量為 42 億，上下文長度為 128k token，能夠為常規視覺推理任務和其他任務提供支援。

那麼 Phi-3-vision 有多厲害？微軟公布了新的論文 [PDF]，從其中的基準測試可以看出，表示該 SLM 和 Claude 3-haiku、Gemini 1.0 Pro 等其他模型不相上下。

微軟在論文中對比了 ScienceQA、MathVista 和 ChartQA 等模型，Phi-3-vision 的參數雖然不多，但性能非常優秀。

微軟提供了 Phi-3-vision 相較於字節跳動 Llama3-Llava-Next（8B）、微軟研究院和威斯康星大學、哥倫比亞大學合作的 LlaVA-1.6（7B）、阿里巴巴通義千問 QWEN-VL-Chat 模型等競品模型的比較圖表，其中顯示 Phi-3-vision 模型在多個項目上表現優異。