Phi-4-reasoning-vision-15B 技术报告

我们推出 Phi-4-reasoning-vision-15B，一个小型开放权重多模态推理模型，并分享指导其开发的动机、设计选择、实验与经验。我们的目标是为研究社区贡献关于构建更小、高效多模态推理模型的实用洞见，并把学习成果以开放权重模型形式分享，该模型擅长常见视觉与语言任务，并在科学数学推理和用户界面理解上表现突出。我们的贡献包括证明：精心选择架构与严格的数据治理，能让更小的开放权重多模态模型以显著更少的训练与推理算力和 token 取得有竞争力的表现。最显著的改进来自系统性过滤、纠错和合成增广——再次印证数据质量仍是模型性能的首要杠杆。系统消融显示，高分辨率、动态分辨率编码器带来一致改进，因为准确感知是高质量推理的前提。最后，推理与非推理数据的混合配比加上显式模式 token，让单一模型既能对简单任务给出快速直接回答，也能对复杂问题进行思维链推理。