Microsoft、マルチモーダルなSLM「Phi-3-vision」をプレビュー

MicrosoftはSLM「Phi-3」シリーズにマルチモーダルな「Phi-3-vision」を追加した。画像やグラフを“見て”解析する。プレビューを利用可能だ。

[ITmedia]

　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