マイクロソフト、小型モデル「Phi-4」発表：音声・画像・テキストを単一処理

これまでのエッジAIでは、音声認識、画像解析、テキスト処理にそれぞれ別のモデルを連結するのが一般的で、遅延やメモリ消費が大きな課題でした。

マイクロソフトは2月26日、小型言語モデル（SLM）の新世代となる「Phi-4-multimodal」と「Phi-4-mini」を公開しました。現在、Azure AI Foundry、Hugging Face、NVIDIA API Catalogで利用可能です。

音声と画像を単一アーキテクチャに統合した5.6Bモデル

Phi-4-multimodalは、Phiシリーズ初となるマルチモーダルモデルです。パラメータ数は56億（5.6B）で、Mixture-of-LoRAs構造を採用し、音声・画像・テキストを単一の表現空間で直接同時に処理します。

音声クエリと画像入力を組み合わせた推論に強みを持ち、Hugging FaceのOpenASRベンチマークでは単語誤り率（WER）6.14%を記録して首位に立ち、WhisperV3などの専用モデルを上回りました。図表認識やOCR、科学的推論でもClaude 3.5 SonnetやGemini-2-Flash-lite-previewに匹敵する性能を示しています。

一方でマイクロソフトは、パラメータ数の制約から知識保持量に限界があり、自由対話形式の音声QAではGPT-4o realtimeなどの巨大モデルに及ばない点も認めています。

128kコンテキストに対応した3.8Bの「Phi-4-mini」

同時公開されたPhi-4-miniは、38億（3.8B）パラメータのテキスト特化型モデルです。20万語の語彙サイズと128,000トークンの長大なコンテキスト長を備えています。

推論能力やコーディングに加え、外部APIと連携するファンクションコーリング性能が強化されています。Windows部門のVivek Pradeep氏は、Copilot+ PCにおいてバッテリー消費を抑えながら常時稼働するAI機能の基盤として活用されると述べています。

なぜ重要か

オンデバイスAI開発において、パイプラインの統合が現実的になった点は大きな転換点です。車載アシスタントやスマート家電で「見ながら話しかける」操作を実現する際、複数のモデルを組み合わせる必要がなくなり、レイテンシと実装コストを大幅に削ることができます。

ファインチューニングの負担が軽い点も強みです。公式データによれば、医療用画像QAへの適応はA100 GPU 8枚でわずか5時間で完了します。

ただし、小型モデル特有の知識不足というトレードオフは残ります。単体で汎用的な質疑応答を行わせるには不向きですが、外部ツールやセンサー情報と連携する自律エージェントの実行エンジンとして見れば、現時点で極めて実用的な選択肢と言えます。