轻量级视觉处理

Phi-3.5-vision是由微软开发的开源多模态模型，专注于文本和视觉数据处理。它基于合成数据和精选公开数据构建，支持128K上下文长度，通过监督微调和直接偏好优化提升指令遵循和安全性。该模型参数量为42亿，包含图像编码器、连接器、投影器和Phi-3 Mini语言模型，训练数据达5000亿令牌，适用于内存/计算受限环境。