微软推出Phi-4-Reasoning-Vision-15B开源AI模型，实现视觉与推理的完美结合
微软近日发布了一款名为Phi-4-Reasoning-Vision-15B的视觉推理模型，该模型融合了高分辨率视觉感知和选择性推理，可在“推理模式”和“非推理模式”间切换，适用于智能应用和计算机智能体。
微软发布Phi-4-Reasoning-Vision-15B开源模型
3月5日，微软官方开发者社区博客宣布，微软推出了一款名为Phi-4-Reasoning-Vision-15B的视觉推理模型。
Phi-4-Reasoning-Vision-15B是Phi-4系列中的新成员，它不仅能够清晰“看到”图像内容，还能进行深入“思考”，实现了视觉感知与推理的有机结合。
Phi-4-Reasoning-Vision-15B模型示例
该模型能够执行结构化、多步骤的推理，理解图像中的视觉结构，并将其与文本上下文相连接，从而得出可操作的结论。这使得开发者能够构建从图表分析到GUI自动化的智能应用。
Phi-4-Reasoning-Vision-15B具有混合推理行为，可根据提示在“推理模式”和“非推理模式”之间切换。在需要深度推理时，如数学问题、逻辑分析，模型将启用多步推理链；而在快速感知足够时，如OCR、元素定位，模型将直接输出以降低延迟。
该模型在智能应用和计算机智能体领域具有广泛的应用前景。例如，模型可以接收屏幕截图和自然语言指令，输出目标UI元素的标准化边界框坐标，供其他智能体模型执行点击、滚动等交互。
以下是Phi-4-Reasoning-Vision-15B与其他模型在关键任务上的性能对比：
Phi-4-Reasoning-Vision-15B性能对比图
