Перейти к основному содержанию

Phi-3.5-vision-instruct

MicrosoftPhiОткрытые весаMIT · Коммерческое использование

Описание

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.

Дата выхода
2024-08-23
Параметры
4.2B
Длина контекста
—
Модальности
—

Радар способностей

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

При отсутствии специализированных научных бенчмарков Science оценивается по научным категориям LLM Stats или на основе рассуждений.

Рейтинги

Домен#МестоОценкаИсточник
Мультимодальный рейтинг136
29.0
LS

Оценки бенчмарков (LLM Stats)

(LLM Stats (zeroeval))

Math

MathVista43.9%Сам.
InterGPS36.3%Сам.

Multimodal

MMMU43.0%Сам.

Reasoning

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

Vision

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

Индексы оценки AA

(Artificial Analysis)

Нет данных AA оценки

Оценки категорий LLM Stats

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

Цены

Нет данных о ценах

Скорость

Нет данных о скорости

Рейтинг цен провайдеров

Нет данных провайдеров

Внешние ссылки