Phi-3-vision-128k-instruct 微软开源多模态大模型
Phi-3 Vision 是一个轻量级、最先进的开放多模态模型，基于数据集构建，其中包括合成数据和经过过滤的公开网站，重点关注文本和视觉方面的高质量推理密集数据。该模型属于 Phi-3 模型系列，多模式版本可支持 128K 上下文长度（以 Token 为单位）。该模型经历了严格的增强过程，结合了监督微调和直接偏好优化，以确保精确的指令遵守和稳健的安全措施。
模型参数 4B。
该模型旨在广泛用于英语商业和研究用途。该模型为通用人工智能系统和应用程序提供了视觉和文本输入功能，这些系统和应用程序需要
- 内存/计算受限的环境；
- 延迟限制场景；
- 一般图像理解；
- 光学字符识别；
- 图表和表格的理解。
我们的模型旨在加速对高效语言和多模态模型的研究，作为生成人工智能驱动功能的构建块。
我们的模型并非针对所有下游目的而专门设计或评估。开发人员在选择用例时应考虑语言模型的常见限制，并在特定下游用例中使用之前评估和减轻准确性、安全性和公平性，特别是对于高风险场景。开发人员应了解并遵守与其用例相关的适用法律或法规（包括隐私、贸易合规法等）。
提示词：对图像文字进行识别
这段文字是一个人的自己写作，表达了对学生在学校和家庭生活中的看法。
提示词：这张图片上写了什么？
这张图片上写了一段关于学生在学校后备课的观点。
👍 提示词：图像中的手写英文是什么？