近日，微软在人工智能领域迈出了重要的一步，推出了两款全新的Phi-4系列模型：Phi-4多模态（Phi-4-multimodal）和Phi-4迷你（Phi-4-mini）。这两款模型的发布，标志着微软在AI技术上的又一次突破，为各类应用场景提供了更强大的处理能力。
Phi-4多模态模型是微软首款集成了语音、视觉和文本处理能力的统一架构模型，拥有5600万参数。这款模型在多项基准测试中表现优异，超越了市场上的许多竞争对手，如谷歌的Gemini2.0系列。特别是在自动语音识别（ASR）和语音翻译（ST）任务中，Phi-4多模态模型表现尤为突出，成功击败了WhisperV3和SeamlessM4T-v2-Large等专业语音模型，词错误率低至6.14%，位居Hugging Face OpenASR排行榜首位。
在视觉处理方面，Phi-4多模态模型同样展现了卓越的能力。其在数学和科学推理任务中的表现令人印象深刻，能够有效理解文档、图表并执行光学字符识别（OCR）。与Gemini-2-Flash-lite-preview和Claude-3.5-Sonnet等流行模型相比，Phi-4多模态模型的表现不相上下，甚至在某些任务中更胜一筹。
另一款新发布的Phi-4迷你模型则专注于文本处理任务，参数量为3800万。在文本推理、数学计算、编程和指令遵循等方面，Phi-4迷你表现卓越，超越了多款流行的大型语言模型。为了确保新模型的安全性和可靠性，微软邀请了内部与外部的安全专家进行全面测试，并按照微软人工智能红队（AIRT）的标准进行优化。
这两款新模型均可通过ONNX Runtime部署到不同设备上，适用于多种低成本和低延迟的应用场景。它们已在Azure AI Foundry、Hugging Face和NVIDIA API目录中上线，供开发者使用。毫无疑问，Phi-4系列的新模型标志着微软在高效AI技术上的重大进步，为未来的人工智能应用打开了新的可能性。