Майкрософт продължава впечатляващата си серия от успехи в областта на изкуствения интелект с обявяването на три нови модела от серията Phi-3.5, които се отличават с напреднали мултимодални и многоезични функции. Тези модели се стремят да революционизират пазара на приложения, базирани на изкуствен интелект. Моделите са предоставени с Microsoft-брандиран MIT лиценз на платформата Hugging Face, което предлага на разработчиците от цял свят възможност свободно да използват, адаптират и развиват тези иновативни технологии.

Трите модела – Phi-3.5-mini-instruct, Phi-3.5-MoE-instruct и Phi-3.5-vision-instruct – покриват широк спектър от приложения, от основни до силно комплексни задачи. Всеки модел е оптимизиран за специфични изисквания, като например бързо и точно разсъждение или обработка на текстови и визуални данни при мултимодални задачи.

Phi-3.5 Mini Instruct моделът, оборудван с 3,8 милиарда параметри, е лек модел, специално разработен за използване в среди с ограничени ресурси за памет или изчисления. Той показва впечатляващи резултати при задачи, изискващи силно логическо мислене, като генериране на код, решаване на математически проблеми и логични запитвания. Въпреки компактния си размер, той превъзхожда други модели от своя клас, като Llama-3.1-8B-instruct, на RepoQA-бенчмарка, особено при задачи, изискващи разбиране на дълги контексти.

Phi-3.5 MoE (Микс от експерти) моделът е първият от този вид в портфолиото на Microsoft. Той комбинира различни типове модели, всеки специализиран за различни задачи, и по този начин може ефективно да се справя със сложни AI задачи. С 42 милиарда активни параметри той предлага мащабируеми възможности и поддържа контексти с до 128 000 токена. Той впечатляващо надминава GPT-4o mini в 5-shot MMLU-бенчмарка в области като STEM, хуманитарни науки и социални науки, което подчертава неговата многостранност и мощност.

Phi-3.5 Vision Instruct моделът интегрира текстови и обработващи изображения способности, което го прави идеален за задачи като обща обработка на изображения, оптично разпознаване на символи и видео обобщения. С поддръжка за контекстни дължини до 128k токена, този модел може да се справя със сложни, многослойни визуални задачи. Microsoft подчертава, че моделът е обучен на комбинация от синтетични и публично достъпни набори от данни, като фокусът е върху висококачествени и интензивни по отношение на логическото разсъждение данни.

Всички три модела от серията Phi-3.5 бяха публикувани под MIT лиценз, което подчертава ангажимента на Microsoft за подкрепа на общността с отворен код. Този лиценз позволява на разработчиците свободно да използват, модифицират и разпространяват софтуера, като същевременно трябва да спазват отказите от отговорност на Microsoft и други притежатели на авторски права.

Пускането на моделите Phi-3.5 представлява значителен напредък в развитието на мултиезиковия и мултимодалния ИИ. С тези модели Microsoft дава възможност на разработчиците да интегрират съвременни ИИ възможности в своите приложения, което стимулира иновациите както в търговския, така и в изследователския сектор.