Phi-3.5-vision-instruct
MicrosoftPhiオープンウエイトMIT · 商用利用可
説明
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.
リリース日
2024-08-23
パラメータ
4.2B
コンテキスト長
—
モダリティ
—
能力レーダー
70
general
0
coding
40
reasoning
34
science推定
28
agents
70
multimodal
専用の科学ベンチマークがない場合、Science は LLM Stats の科学スコアまたは推論能力から推定します。
ランキング
| ドメイン | #順位 | スコア | ソース |
|---|---|---|---|
| マルチモーダルランキング | 66 | 37.0 | LS |
ベンチマークスコア (LLM Stats)
(LLM Stats (zeroeval))General
MMMU
43.0%自己申告
Image To Text
TextVQA
72.0%自己申告
Math
ScienceQA
91.3%自己申告
MathVista
43.9%自己申告
InterGPS
36.3%自己申告
Multimodal
POPE
86.1%自己申告
MMBench
81.9%自己申告
ChartQAMasry et al. (2022)
81.8%自己申告
AI2D
78.1%自己申告
AA評価指数
(Artificial Analysis)AA評価データがありません
LLM Statsカテゴリスコア
(LLM Stats (zeroeval))Multimodal70
Reasoning70
Image To Text70
General70
Vision70
Math40
Healthcare40
価格設定
価格データがありません
速度
速度データがありません
プロバイダー価格ランキング
プロバイダーデータがありません