　米Microsoftは5月21日（現地時間）、開発者向け年次開発者会議「Microsoft Build 2024」の基調講演で、SLM（小規模言語モデル）「Phi-3」ファミリーの新メンバー「Phi-3-vision」（以下「vision」）を発表した。画像を解析するマルチモーダルなSLMだ。プレビュー版を利用可能。

　SLMは単純なタスクで適切に実行できるように設計されており、リソースが限られる組織や端末上でローカルに実行する必要があるアプリに適した言語モデルだ。

　visionは、描画はできないが、モバイル端末で利用可能なコンパクトさだ。42億パラメータモデルで、グラフや画像に関して質問すると、それについて説明してくれる。

Phi-3-visionにグラフについて説明させる

　Microsoftは「visionは画像とテキストを一緒に検討する必要があるタスクに最適だ」としている。多様なハードウェアで実行できるように最適化されており、開発者はモバイル端末やWebを含むアプリやサービスでPhi-3を展開できる。

　visionは4月発表のPhi-3-mini（38億パラメータ）の言語機能をベースに構築されている。4月には、miniの他、small（70億パラメータ）、medium（140億パラメータ）が発表され、3サイズ展開だった。

　smallとmediumも同日からMicrosoft Azureで利用可能になった。

Phi-3ファミリーについて語るサティア・ナデラCEO

Microsoft、商用利用可のSLM「Phi-3」リリース　スマホで動くモデルも
Microsoftは小規模言語モデル（SLM）の「Phi-3」を発表した。3モデルあり、38億パラメータでトレーニングした最小モデルの「mini」をAzureやHugging Faceで公開した。
Microsoft、Igniteで発表の小規模言語モデル「Phi-2」をAzureでリリース
Microsoftは、SLM（小規模言語モデル）の「Phi-2」をAzureでリリースした。27億パラメータだが、複数のベンチマークでMetaの「Llama 2」の700億パラメータモデルやGoogleの32億パラメータの「Gemini Nano 2」を上回った。
Microsoft、YouTubeなどの動画のAI採用リアルタイム吹き替え機能をEdgeで提供へ
Microsoftは「Build 2024」で、「Edge」のリアルタイム翻訳機能を発表した。AIを採用し、YouTubeやロイターの動画を音声吹き替えと字幕で翻訳する。間もなく利用可能になり、将来的には日本語もサポートする見込み。
有料版「ChatGPT」に「DALL・E 3」の画像編集ツール追加
OpenAIは有料版ChatGPT内で画像生成AI「DALL・E」の画像を編集できるようにした。編集ツールで変更したい部分を選択して編集できる。全体のスタイルの変更なども可能だ。