微软发布 Phi-4-reasoning-vision-15B

背景

Phi-4-reasoning-vision-15B 是一个视觉语言模型（vision-language model），即能同时读取图像与文本的模型。它以 Phi-4-reasoning 的推理骨干为基础构建，Phi-4-reasoning 此前已作为纯文本模型发布。该模型又加入了一个 SigLIP-2 视觉编码器，用来读取图像。^[1][2]

发生了什么

2026 年 3 月 4 日，微软发布 Phi-4-reasoning-vision-15B，这是一个开放权重的视觉语言模型。^[1][2]该模型把 Phi-4-reasoning 骨干与 SigLIP-2 视觉编码器结合在一起。^[1]它会根据任务，选择是逐步推理还是直接作答。^[1][2]

关键细节

该模型在 240 块 NVIDIA B200 GPU 上训练，历时 4 天。^[1]在 ScreenSpot v2（衡量屏幕元素定位能力的测试）中，它得分 88.2；在 MathVista-mini（视觉数学测试）中，它得分 75.2。^[1]

其权重以 MIT 许可证发布，允许他人使用、修改和再分发该模型。^[1]

影响

这次发布，为微软已公开的开放权重模型增加了一个视觉模型，该模型内置了在推理与直接作答之间的选择。屏幕定位和视觉数学模型卡报告了这些测试的成绩。^[1][2]

相关术语

视觉编码器负责把图像转换为语言模型可以处理的一串数值词元。开放权重是指公开训练后的参数，他人可以在许可证允许的范围内下载和运行。ScreenSpot 用于测试模型能否在屏幕上定位按钮、输入框等界面元素，MathVista 则考察图表、示意图等图像中的数学推理能力。计算机使用智能体通过观察屏幕并决定点击或输入的位置来操作计算机，因此准确定位屏幕元素是其核心能力之一。MIT 许可证允许他人使用、修改和再分发该模型。