微软发布 Phi-4 多模态和 Phi-4 迷你小语言模型Phi-4-multimodal是一个5.6B参数模型，也是微软首个多模态语言模型，它将语音、视觉和文本处理集成到一个统一的架构中。 如下表所示，与Google的 Gemini 2.0 Flash 和 Gemini 2.0 Flash Lite 等其他现有最先进的全方位模型相比，Phi-4-multimodal 在多个基准测试中取得了更好的性能。在语音相关任务中，Phi-4-multimodal 在自动语音识别（ASR）和语音翻译（ST）方面的表现均优于…