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 | #Posición | Puntuación | Fuente |
|---|---|---|---|
| Ranking multimodal | 69 | 37.0 | LS |
Puntuaciones de benchmarks (LLM Stats)
(LLM Stats (zeroeval))General
MMMU
43.0%Aut.
Image To Text
TextVQA
72.0%Aut.
Math
ScienceQA
91.3%Aut.
MathVista
43.9%Aut.
InterGPS
36.3%Aut.
Multimodal
POPE
86.1%Aut.
MMBench
81.9%Aut.
ChartQAMasry et al. (2022)
81.8%Aut.
AI2D
78.1%Aut.
Índices de evaluación AA
(Artificial Analysis)No hay datos de evaluación AA disponibles
Puntuaciones por categoría LLM Stats
(LLM Stats (zeroeval))Safety90
Multimodal70
Reasoning70
Image To Text70
General70
Vision70
Math40
Healthcare40
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