Phi-4 Reasoning Vision 15B

Phi-4 Reasoning Vision 15B to kompaktowy, otwartowagowy model Microsoftu łączący rozumowanie językowe z analizą obrazu. Producent opisuje go jako model około piętnastu miliardów parametrów, oparty na językowym Phi-4 Reasoning i enkoderze obrazu SigLIP-2 połączonych architekturą mid-fusion. Model przyjmuje tekst i obrazy, a zwraca tekst; karta źródłowa podaje kontekst 16 384 tokenów i licencję MIT. Zweryfikowany checkpoint Safetensors zajmuje około 30,2 GB, więc lokalne użycie jest realistyczne głównie na odpowiednio wyposażonej stacji roboczej lub serwerze. Projekt został ukierunkowany na rozumowanie nad dokumentami, diagramami, zadaniami matematycznymi i naukowymi oraz interfejsami użytkownika, w których ważne jest precyzyjne odczytanie elementów wizualnych. Może służyć jako podstawa prywatnych narzędzi analitycznych, asystentów pracujących z ekranem i aplikacji wspierających interpretację materiałów wizualnych. Nie oznacza to jednak gwarancji poprawności, lokalizacji każdego elementu ani bezpiecznego samodzielnego działania agenta. Jakość zależy od rozdzielczości, sposobu przygotowania obrazu, promptu, stosu wykonawczego i konkretnego zadania, a odpowiedzi wymagające precyzji powinny być weryfikowane. Rozmiar plików nie jest równoznaczny z pamięcią RAM lub VRAM, ponieważ wykonanie wymaga także buforów, cache KV i obsługi enkodera wizji. AI-TOP wiąże kartę z oficjalnym repozytorium microsoft/Phi-4-reasoning-vision-15B oraz dokładną rewizją, bez automatycznego łączenia z językowym Phi-4, konwersjami lub kwantyzacjami społecznościowymi.