Microsoft 開源 Phi-4-reasoning-vision-15B：用十分之一算力死磕多模態推理

Phi-4-reasoning-vision-15B 是微軟剛剛開源權重的 150 億引數多模態推理模型。它的目標很明確：用普通硬體就能跑起來的體積，處理高質量的圖文互動，尤其擅長數學科學推理和看懂螢幕介面。

普通的多模態模型通常在做一般的看圖說話，而這款模型重點拉滿了兩個硬核場景：數理邏輯和圖形介面操作。

它能做什麼

日常的任務如文件提取、發票識別、多圖連續變化推理它都能處理，但在數學推理與電腦、手機螢幕定位上才是它的主場。

根據公佈的資料，它在 MathVista、MMMU、ChartQA 以及 ScreenSpot-v2 等多模態與介面基準測試中，平均取得了大約 75% 的準確率。

最顯眼的反差在於訓練成本。像 Qwen 2.5 VL、Qwen 3 VL、Kimi-VL 或 Gemma3 這類主流多模態模型，動輒需要超過 1 萬億 token 的訓練資料。而 Phi-4-reasoning-vision-15B 只用了 2000 億多模態 token，算力消耗大概只有對手的十分之一，卻在同速度量級甚至更慢的競品面前跑出了極具競爭力的成績。

怎麼跑起來與技術細節

架構上，微軟沒有采用昂貴的端到端全融合，而是選擇了 mid-fusion 架構。模型底層基於由 160 億 token 訓練的 Phi-4-Reasoning 語言底座，視覺端則選用了 SigLIP-2 的 Naflex 動態解析度編碼器。

很多小多模態模型做不好介面識別，不是推理不行，而是看不清高解析度螢幕上的小圖示。微軟在對比實驗後發現，Naflex 支援動態 patch 調整，在支援最高 3600 token（大致對應 720p 高畫質解析度）時，高難度的螢幕定位成績大幅領先傳統的切圖裁剪方法。

訓練資料的質量也被摳到了極致。微軟過濾了大量開源圖文資料，用 GPT-4o 和 o4-mini 對劣質問答重新清洗打標，還利用 arXiv 論文中的公式渲染出專門的 LaTeX OCR 資料。實驗還證實，把數學資料配比提升三倍，不僅不耽誤螢幕識別，還能反哺整體推理表現。

目前模型權重已經在 Hugging Face、GitHub 和 Microsoft Foundry 完整開放下載。15B 的體積意味著開發者不需要昂貴的多卡叢集，在適度視訊記憶體的單卡或工作站上就能部署折騰。

為什麼重要

如果你正在開發自動化桌面 Agent、螢幕操作助手，或者需要本地部署一套能看懂圖表和專業論文的推理工具，Phi-4-reasoning-vision-15B 非常值得現在上手測試。它把過去需要幾十卡叢集才能跑動的螢幕識別與數理推理門檻拉低到了消費級硬體邊緣。

我們認為微軟這套打法給開源多模態樹立了一個新樣板。行業此前盲目卷資料規模和模型體積，而微軟證明了通過精準的動態視覺編碼和極其嚴格的資料蒸餾重構，小模型用十分之一的訓練代價也能打出第一梯隊的推理水平。