Phi-4-multimodal-instruct
Microsoft · microsoft/Phi-4-multimodal-instruct
Licença dos pesos: MIT · código e componentes podem ter outros termos
Qualidade
Sem score comparável
Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.
Informado pelo publicador
- s_AI2D
- 68,9Vision-Speech tasks
- s_ChartQA
- 69,0Vision-Speech tasks
- s_DocVQA
- 87,3Vision-Speech tasks
- s_InfoVQA
- 63,7Vision-Speech tasks
- Average
- 72,2Vision-Speech tasks
- Art Style
- 86,3Visual Perception
- Counting
- 60,0Visual Perception
- Forensic Detection
- 90,2Visual Perception
Todos os resultados informados
- Functional Correspondence
- 30,0Visual Perception
- IQ Test
- 22,7Visual Perception
- Jigsaw
- 68,7Visual Perception
- Multi-View Reasoning
- 76,7Visual Perception
- Object Localization
- 52,5Visual Perception
- Relative Depth
- 69,4Visual Perception
- Relative Reflectance
- 26,9Visual Perception
- Semantic Correspondence
- 52,5Visual Perception
- Spatial Relation
- 72,7Visual Perception
- Visual Correspondence
- 67,4Visual Perception
- Visual Similarity
- 86,7Visual Perception
- Overall
- 61,6Visual Perception
Valores como impressos na ficha, com a configuração do próprio publicador (seção da ficha: Model Quality › Vision › Vision-Speech tasks; Model Quality › Vision tasks › Visual Perception); coluna “Phi-4-multimodal-instruct”. Não comparáveis entre publicadores e fora de qualquer ranking. Ficha do modelo
Roda em
Cabe na memória rápida 114
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Mostrar todos os 114
Na memória, fora da parte rápida 5
Dentro da memória da máquina, fora da parte rápida: na placa de vídeo, as camadas que não cabem rodam na CPU a partir da RAM do PC (a RAM informada, ou 32 GB presumidos); no Mac, acima da fatia de GPU padrão do macOS. Não é um número de velocidade.
Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.
Microsoft lançou Phi-4-multimodal-instruct em 2025-02: um modelo de visão e linguagem que responde sobre imagens, com 5,6B parâmetros pela contagem do Hugging Face e licença MIT. Idiomas declarados pelo publicador: ar, zh, cs, da, nl, en, fi, fr, de, he, hu, it, ja, ko, no, pl, pt, ru, es, sv, th, tr, uk.
Licença: uso comercial permitido. Em Q4 os pesos somam cerca de 4,2 GB antes da reserva de cada máquina; resolução da imagem, quadros de vídeo e contexto somam memória, e o encoder visual precisa de suporte no runtime escolhido.
Velocidade medida
Nenhuma medição publicada para este checkpoint
Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.
Como rodar
Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.
Biblioteca na fonte: transformers
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
import requests
import torch
import os
import io
from PIL import Image
import soundfile as sf
from transformers import AutoModelForCausalLM, AutoProcessor, GenerationConfig
from urllib.request import urlopen
# Define model path
model_path = "microsoft/Phi-4-multimodal-instruct"
# Load model and processor
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
model_path,
device_map="cuda",
torch_dtype="auto",
trust_remote_code=True,
# if you do not use Ampere or later GPUs, change attention to "eager"
_attn_implementation='flash_attention_2',
).cuda()
# Load generation config
generation_config = GenerationConfig.from_pretrained(model_path)
# Define prompt structure
user_prompt = '<|user|>'
assistant_prompt = '<|assistant|>'
prompt_suffix = '<|end|>'
# Part 1: Image Processing
print("\n--- IMAGE PROCESSING ---")
image_url = 'https://www.ilankelman.org/stopsigns/australia.jpg'
prompt = f'{user_prompt}<|image_1|>What is shown in this image?{prompt_suffix}{assistant_prompt}'
print(f'>>> Prompt\n{prompt}')
# Download and open image
image = Image.open(requests.get(image_url, stream=True).raw)
inputs = processor(text=prompt, images=image, return_tensors='pt').to('cuda:0')
# Generate response
generate_ids = model.generate(
**inputs,
max_new_tokens=1000,
generation_config=generation_config,
)
generate_ids = generate_ids[:, inputs['input_ids'].shape[1]:]
response = processor.batch_decode(
generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False
)[0]
print(f'>>> Response\n{response}')
# Part 2: Audio Processing
print("\n--- AUDIO PROCESSING ---")
audio_url = "https://upload.wikimedia.org/wikipedia/commons/b/b0/Barbara_Sahakian_BBC_Radio4_The_Life_Scientific_29_May_2012_b01j5j24.flac"
speech_prompt = "Transcribe the audio to text, and then translate the audio to French. Use <sep> as a separator between the original transcript and the translation."
prompt = f'{user_prompt}<|audio_1|>{speech_prompt}{prompt_suffix}{assistant_prompt}'
print(f'>>> Prompt\n{prompt}')
# Downlowd and open audio file
audio, samplerate = sf.read(io.BytesIO(urlopen(audio_url).read()))
# Process with the model
inputs = processor(text=prompt, audios=[(audio, samplerate)], return_tensors='pt').to('cuda:0')
generate_ids = model.generate(
**inputs,
max_new_tokens=1000,
generation_config=generation_config,
)
generate_ids = generate_ids[:, inputs['input_ids'].shape[1]:]
response = processor.batch_decode(
generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=False
)[0]
print(f'>>> Response\n{response}')Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- microsoft/Phi-4-multimodal-instruct
- Tarefa
- reconhecimento automático de fala
- Arquitetura
- Phi4MMForCausalLM
- Biblioteca na fonte
- transformers
- Licença dos pesos
- MITmicrosoft/Phi-4-multimodal-instruct model card (Hugging Face) · consultado em 2026-10-18fonte
- Uso comercial
- Permitido MIT license text (SPDX) · consultado em 2026-10-18texto da licença
- Idiomas
- ar, zh, cs, da, nl, en, fi, fr, de, he, hu, it, ja, ko, no, pl, pt, ru, es, sv, th, tr, ukMetadados do model card · consultado em 2026-10-25fonte
- Lançamento
- Phi-4-multimodal-instruct model card, 'Release date: February 2025' (Microsoft, Hugging Face) · consultado em 2026-10-18fonte
Todos os campos guardados
- Revisão conferida
- 93f923e1a7727d1c4f446756212d9d3e8fcc5d81
- Arquitetura
- Phi4MMForCausalLM
- Biblioteca
- transformers
- Tag de tarefa no Hub
- automatic-speech-recognition
- Formatos
- transformers, safetensors
- Acesso
- Download aberto
- Tipo de publicador
- Oficial
- Repositório criado
- 2025-02-24criação não é o lançamento do modelo
- Repositório atualizado
- 2025-12-10um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 111.473 · 1.626só este repositório · lido em 2026-10-25
- Estado no catálogo
- Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
- Ficha do publicador
- Licença: microsoft/Phi-4-multimodal-instruct model card (Hugging Face)
- Data de lançamento: Phi-4-multimodal-instruct model card, 'Release date: February 2025' (Microsoft, Hugging Face)
Fatos curados verificados: 2026-10-18. A licença e a data de lançamento citam as fontes do publicador; parâmetros, arquivos e tarefa vêm do registro do Hugging Face, e a memória é uma estimativa rotulada a partir da contagem de parâmetros. Um valor que nenhuma fonte informa fica vazio; um commit do repositório não é a data de lançamento do modelo.






























































