微软发表Phi-4-multimodal，这是一款小型语言模型（SLM）具备处理语音、图像与文字的能力，已于Azure AI Foundry、Hugging Face及Nvidia API Catalog上线。相较于过去的Phi-3.5及Phi-4.0，这次的版本不仅提升了多模态整合能力，也强化了语音辨识、视觉理解与推理能力，适用于开发多元人工智慧应用的场景。微软强调，Phi-4-multimodal针对运算资源受限的环境进行最佳化，能够在装置端执行。

在非多模态架构下，语音输入通常需先透过语音辨识技术转换为文字，而影像则可能需透过独立的视觉模型处理，之后再进行语言理解或跨模态分析。这种方式不仅增加延迟，也无法充分利用语音中的额外资讯，例如语调、语境或背景音。Phi-4-multimodal则透过统一的神经网路架构，直接对语音、图像和文字进行处理，减少资料转换过程的资讯流失，并提升整体处理效率。

技术规格上，Phi-4-multimodal具有56亿参数，支援12.8万Token的上下文长度，并透过监督式微调、直接偏好最佳化（DPO）与人类回馈强化学习（RLHF）等方式，提升指令遵循能力与安全性。在语言支援方面，文字处理涵盖超过20种语言，包括中文、日文、韩文、德文与法文等，语音处理则涵盖英语、中文、西班牙语、日语等主要语种，图像处理目前则以英文为主。

Phi-4-multimodal的一大亮点在于语音处理能力，特别是在语音辨识与语音翻译方面，已超越WhisperV3及SeamlessM4T-v2-Large，并在Hugging Face OpenASR排行榜上达到只有6.14％的字错率（WER），优于WhisperV3的最佳成绩6.5％。此外，这款模型也在数学与科学推理测试中表现出色，并在OCR、图表理解与文件推理等应用可与其他大型模型竞争，如Gemini-2.0-Flash Lite与Claude-3.5-Sonnet。

除了多模态模型，微软也推出Phi-4-mini，这是一款38亿参数的小型模型，专注于文字处理，特别适用于程序码生成、数学推理、长文本处理与函式呼叫。Phi-4-mini採用分组查询注意力机制（Grouped-Query Attention），提升计算效率，也支援12.8万Token内容，在同等级的小型语言模型中拥有更强的推理与指令遵循能力。

微软与OpenAI的合作仍然持续，但在小型语言模型（SLM）领域，微软也积极发展自家技术，以补足OpenAI大型模型之外的应用需求。与GPT-4等大规模模型不同，Phi-4-multimodal及Phi-4-mini採用较小的参数规模，针对低延迟推理与计算资源受限的场景进行最佳化，适用于边缘设备、嵌入式应用及行动装置。这类小型模型的发展，也反映出人工智慧应用在云端与装置端的多元部署策略，让智慧设备能够更高效地处理多模态输入。