مايكروسوفت تطلق نموذج phi 4 reasoning vision 15b المتعدد الوسائط
أطلقت شركة مايكروسوفت نموذج الذكاء الاصطناعي المتعدد الوسائط phi 4 reasoning vision 15b مفتوح الأوزان في 4 مارس 2026 بموجب رخصة MIT. يعتمد النموذج ذو 15 مليار معلمة على البنية الأساسية Phi-4-Reasoning ومرمز الرؤية SigLIP-2، ويعالج النصوص والصور بسياق يصل إلى 16,384 رمزاً. تم تدريب النظام على 240 وحدة معالجة رسومية NVIDIA B200 خلال أربعة أيام، مما يتيح للمؤسسات تشغيل أتمتة ذكية مرنة في البيئات المحلية ذات الموارد المحدودة.
كيف تعالج بنية الدمج المتوسط البيانات البصرية
يدمج النموذج بين مرمز الرؤية SigLIP-2 والنموذج اللغوي الأساسي Phi-4-Reasoning من خلال تصميم دمج متوسط. في هذه البنية، يحول مرمز الرؤية الصور المدخلة إلى رموز بصرية تُسقط مباشرة في مساحة التضمين الخاصة بالنموذج اللغوي وتُدرج في النموذج المدرب مسبقاً. يدعم مرمز الرؤية ديناميكي الدقة ما يصل إلى 3,600 رمز بصري لكل صورة، مما يسمح بتحليل دقيق للمستندات وتحديد عناصر واجهة المستخدم البيانية. كما يُطبق الانتباه المتبادل ثنائي الاتجاه داخل الصورة لتحسين التفكير المكاني وتجنب الإفراط في التلاؤم. وتسمح هذه التهيئة بمعالجة المدخلات المركبة من النصوص والصور ضمن سياق يبلغ 16,384 رمزاً.
لماذا تنتقل الوسوم الصريحة بين التفكير والاستجابة السريعة
توجه وسوم النمط الصريح النموذج للانتقال بين الاستنتاج المباشر والتفكير التعددي الممتد عبر خطوات متعددة. ويتكيف النموذج، الذي يعمل كنظام موحد، مع تعقيد المهمة المطلوبة. فبالنسبة للمهام البصرية منخفضة التعقيد مثل توليد وصف الصور، والتعرف الضوئي على الحروف، وتحديد مواقع الكائنات، والإجابة المباشرة على الأسئلة البصرية، يُلحق بالأمر وسم nothink لتوليد قسم حل موجز ومنطقي. أما بالنسبة للمهام متعددة الخطوات التي تتضمن البراهين الرياضية، أو المخططات العلمية، أو التخطيط المعقد، فيُلحق النظام وسم think. وفي هذا النمط، يتضمن المخرج قسماً مخصصاً للتفكير حيث يحلل النموذج الأسئلة، ويلخص النتائج، ويولد الأفكار، ويتحقق من الدقة، ويصحح الأخطاء قبل تقديم الحل النهائي.
كيف قلل تصفية البيانات من المتطلبات الحسابية
سمحت التصفية المنهجية للبيانات والتصحيح الدقيق للأخطاء لشركة مايكروسوفت بتحقيق أداء عالٍ بقدر حسابي معتدل للتدريب. تتكون مجموعة بيانات التدريب من مجموعات بيانات بصرية ولغوية مفتوحة المصدر ومنتقاة بعناية، وبيانات خاصة بكل مجال من فرق مايكروسوفت الداخلية، بالإضافة إلى الاستحواذ الموجه على البيانات. وتم تحقيق المحاذاة من خلال الضبط الدقيق الخاضع للإشراف باستخدام أمثلة على الفائدة والأمان، إلى جانب عينات موجهة للسلامة لرفض خطاب الكراهية والعنف وإيذاء النفس والمحتوى الصريح جنسياً. كما نفذت مايكروسوفت اختبارات اختراق آلية على منصة Azure لتقييم الموثوقية وقابلية كسر الحماية وتوليد المحتوى الضار وحماية حقوق النشر. واستمر التدريب على 240 وحدة معالجة رسومية NVIDIA B200 لمدة 4 أيام بين 3 فبراير 2025 و21 فبراير 2026.
ما الذي يغيره النموذج لوكلاء استخدام الكمبيوتر
يحلم النموذج مهام التنقل البصري على الشاشة والتفكير متعدد الخطوات في المستندات لوكلاء استخدام الكمبيوتر المؤتمتين. يمكن للمؤسسات نشر النظام لتفسير شاشات الكمبيوتر، وتحديد عناصر واجهة المستخدم البيانية التفاعلية، وتنفيذ إجراءات الواجهة. كما يستخرج المعلومات الكمية من المعادلات المكتوبة بخط اليد والمخططات والجداول المالية أو التقنية. وتتعامل البنية الهجينة مع الفحوصات البصرية السريعة والتفكير المعقد في البيئات ذات الموارد الحسابية المحدودة، مما يتيح للشركات تجنب نشر نماذج منفصلة للإدراك والمنطق. وتلاحظ مايكروسوفت أن النموذج مدرب أساساً باللغة الإنجليزية وليس مخصصاً للتشخيص الطبي، أو الاستشارات القانونية، أو التخطيط المالي، أو القرارات الحرجة لتوزيع الموارد مثل التوظيف أو الائتمان.
متطلبات تشغيل النموذج على العتاد المحلي
يمكن للمطورين الوصول إلى الأوزان المفتوحة بموجب رخصة phi 4 reasoning vision 15b mit عبر عدة قنوات توزيع. توفر مايكروسوفت التحميل العام على مستودع phi 4 reasoning vision hugging face وGitHub، بالإضافة إلى الوصول المؤسسي عبر Microsoft Azure AI Foundry. وتدرج الوثائق الرسمية للنموذج شركة Microsoft Corporation كـ مطور وشركة Microsoft Ireland Operations Limited كـ ممثل معتمد. وللتكامل التقني، يتطلب النموذج مكتبة torch 2.7.1 أو أحدث، وtransformers 4.57.1 أو أحدث، وvllm 0.15.2 أو أحدث. ويمكن لفرق البنية التحتية في المؤسسات إعداد phi 4 reasoning vision run locally على بطاقات الرسوميات NVIDIA A6000 وA100 وH100.
أسئلة وإجابات
ما هو Microsoft Phi-4-reasoning-vision-15B؟
إن Microsoft Phi-4-reasoning-vision-15B هو نموذج استدلال متعدد الوسائط مفتوح الأوزان بـ 15 مليار معلمة، بني على نموذج Phi-4-Reasoning الأساسي ومرمز الرؤية SigLIP-2. أُطلق في 4 مارس 2026، ويعالج النصوص والصور عبر سياق يبلغ 16,384 رمزاً باستخدام نمطي تنفيذ مباشر وسلسلة أفكار.
هل Phi-4-reasoning-vision-15B مفتوح المصدر بموجب رخصة MIT؟
نعم، أطلقت مايكروسوفت نموذج Phi-4-reasoning-vision-15B بموجب رخصة MIT. تمنح الرخصة وصولاً مفتوحاً للمطورين والمؤسسات لتنزيل الأوزان المنشورة وتشغيلها وتعديلها وبناء تطبيقات تجارية باستخدامها.
هل يمكنك تشغيل Phi-4-reasoning-vision-15B على وحدات GPU المحلية؟
نعم، تم بناء النموذج للنشر في البيئات ذات الموارد الحسابية المحدودة ويمكن تشغيله على العتاد المحلي. اختبرت مايكروسوفت النموذج على بطاقات الرسوميات NVIDIA A6000 وA100 وH100 باستخدام أطر العمل PyTorch وHugging Face Transformers وvLLM.
رؤية MOZGII
كيف كنا سنبنيه
لو كنا نبني وكيلاً آلياً للمستندات وواجهات المستخدم باستخدام نموذج الرؤية هذا ذي الخمسة عشر مليار معامل، لَبَدَأنا بوضع قواعد توجيه صارمة للمدخلات البصرية. ولَقُمْنَا بتوجيه المهام البسيطة مثل تحديد أزرار الشاشة أو استخراج الأحرف البصرية مباشرة إلى مسار الاستنتاج السريع باستخدام رمز وضع التوجيه. أما بالنسبة لسلاسل العمل الممتدة متعددة الخطوات مثل تحليل الجداول العلمية المكتوبة بخط اليد أو التنقل في واجهات البرامج الديناميكية، فكنا سنوجه المدخلات إلى وضع التفكير الممتد. وكنا سنبقي مشفر الرؤية ونموذج اللغة مدمجين على وحدات معالجة محلية عالية الذاكرة لتجنب زمن التأخير السحابي والحفاظ على التحكم المحلي ببيانات المستخدمين.
وكنا سنضع مشغلين بشرًا في منظومة العمل لفحص الحالات الحدية التي يفشل فيها مسار التفكير البصري. ويتعطل النظام عندما تتغير تخطيطات واجهة المستخدم بشكل غير متوقع أو عندما يكون الخط اليدوي في الجداول المالية الممسوحة ضوئياً غامضاً للغاية بحيث لا يمكن للانتباه المكاني حسمه بدقة. وكان المراجعون البشر سيتعاملون مع هذه الأخطاء المحددة ويعيدون إدخال أقنعة الصور المصححة إلى مجموعة التقييم المحلية لدينا. والمقياس الرئيسي الذي كنا سنتبعه هو معدل إنجاز المهام لسلاسل العمل البصرية متعددة الخطوات دون تدخل بشري.
بعد ذلك، كنا سنبني مخطط مهام آلياً يحول مخرجات التفكير مباشرة إلى أوامر أتمتة سطح المكتب. وكان هذا التوسيع سيتيح لوكيلنا البرمجي التنقل الكامل في الواجهة من البداية إلى النهاية عبر برامج سطح المكتب.
المصادر
من أين جاءت حقائق هذا الخبر.