Saltar al contenido principal

Phi-3.5-vision-instruct

MicrosoftPhiOpen WeightMIT · Uso Comercial

Descripción

Phi-3.5-vision-instruct is a 4.2B-parameter open multimodal model with up to 128K context tokens. It emphasizes multi-frame image understanding and reasoning, boosting performance on single-image benchmarks while enabling multi-image comparison, summarization, and even video analysis. The model underwent safety post-training for improved instruction-following, alignment, and robust handling of visual and text inputs, and is released under the MIT license.

Fecha de lanzamiento
2024-08-23
Parámetros
4.2B
Longitud del contexto
—
Modalidades
—

Radar de capacidades

70
general
0
coding
40
reasoning
34
scienceest.
28
agents
70
multimodal

Science se estima a partir de las puntuaciones científicas de LLM Stats o del razonamiento cuando no hay benchmarks científicos dedicados.

Rankings

Dominio#PosiciónPuntuaciónFuente
Ranking multimodal135
29.0
LS

Puntuaciones de benchmarks (LLM Stats)

(LLM Stats (zeroeval))

Math

MathVista43.9%Aut.
InterGPS36.3%Aut.

Multimodal

MMMU43.0%Aut.

Reasoning

ScienceQA91.3%Aut.
ChartQAMasry et al. (2022)81.8%Aut.

Vision

POPE86.1%Aut.
MMBench81.9%Aut.
AI2D78.1%Aut.
TextVQA72.0%Aut.

Índices de evaluación AA

(Artificial Analysis)

No hay datos de evaluación AA disponibles

Puntuaciones por categoría LLM Stats

(LLM Stats (zeroeval))
Safety
90
Image To Text
70
Multimodal
70
Reasoning
70
General
70
Vision
70
Math
40
Healthcare
40

Precios

No hay datos de precios disponibles

Velocidad

No hay datos de velocidad disponibles

Ranking de Precios por Proveedor

No hay datos de proveedores disponibles

Fuentes externas