Microsoft、小規模言語モデル「Phi-3」ファミリーにマルチモーダルなSLM「Phi-3-vision」を追加

最終更新日:2024/06/05

マイクロソフト Phi-3-visionを発表

Microsoftは、「Phi-3」ファミリーに言語と視覚機能を備えた42億パラメータのマルチモーダルな小規模言語モデル「Phi-3-vision」を追加しました。画像とテキストの両方から推論する必要があるタスクに最適です。

このAIニュースのポイント

小規模言語モデル「Phi-3」ファミリーに「Phi-3-vision」が追加されたことで、用途によって4つのデルから選択可能
「Phi-3-vision」はPhi-3ファミリーで初の画像を解析するマルチモーダルなSLMで、同じサイズのモデルよりも優れたパフォーマンスを発揮
「Phi-3-vision」は、言語と視覚機能を備えた42億パラメータのマルチモーダルモデルで、画像とテキストの両方から推論する必要があるタスクに最適

Microsoftは、2024年5月21日に小規模言語モデル（SLM）「Phi-3」ファミリーに新しいモデル「Phi-3-vision」を追加したと発表しました。画像とテキストの両方から推論する必要があるタスクに最適なモデルです。以前発表されたPhi-3-smallとPhi-3-mediumに加えて、Microsoft Azureで利用ができます。

「Phi-3-vision」はPhi-3ファミリーで初の画像を解析するマルチモーダルなSLMです。様々な言語、推論、コーディング、数学のベンチマークで、同じサイズのモデルよりも優れたパフォーマンスを発揮します。描画機能はありませんが、チャート、図、表などの画像から抽出したテキストからの推論や、Q&AなどのOCRタスクなど、画像とテキストの両方から推論する必要があるタスクに最適です。

また、「Phi-3-vision」Phi-3-miniの言語機能に基づいて構築されており、言語と視覚機能を備えた42億パラメータのマルチモーダルモデルで、小型モデルに強力な言語と画像推論の品質を詰め込んでいます。多様なハードウェアで実行できるように最適化していて、リソースが限られる環境や、ローカルなアプリに適しています。モバイル端末やWebを含む幅広いデバイスとプラットフォームで利用できます。

Phi-3モデルはこれまで、mini（38億パラメータ）small（70億パラメータ）、medium（140億パラメータ）の3サイズでしたが、今回「Phi-3-vision」が追加されたことで、4つのモデルから選択可能です。

どのモデルを利用するかは、タスクの複雑さと利用可能な計算リソースによって異なり、コンテンツ作成、要約、質問応答、感情分析など、さまざまな言語理解および生成タスクで使用できます。Phi-3-mini、Phi-3-small、Phi-3-mediumの3つのモデルは、従来の言語タスクを超えて強力な推論および論理機能を備えているため、分析タスクに適しています。

各モデルはMicrosoftの安全性、セキュリティ標準に従って調整・開発されており、Phi-3モデルを使用する開発者は、Azure AIで一連のツールを活用して、より安全で信頼性の高いアプリケーションを構築可能です。

出典：Microsoft