MicrosoftがマルチモーダルAI「Phi-4-reasoning-vision-15B」を公開
Microsoftは2026年3月4日、オープンウェイトのマルチモーダルモデル「Phi-4-reasoning-vision-15B」をMITライセンス下で公開しました。Phi-4-ReasoningをベースにSigLIP-2ビジョンエンコーダーを組み合わせた15Bパラメータの同モデルは、16,384トークンのコンテキスト長でテキストと画像を処理します。240基のNVIDIA B200 GPUを用いて4日間で学習され、メモリ制約のあるローカル環境でも柔軟なAI自動化を実行できます。
ミッドフュージョンアーキテクチャによる視覚データの処理
同モデルは、SigLIP-2ビジョンエンコーダーとPhi-4-Reasoning言語モデルのバックボーンをミッドフュージョン設計によって統合しています。このアーキテクチャでは、ビジョンエンコーダーが入力画像をビジュアルトークンに変換し、言語モデルの埋め込み空間に直接投影して事前学習済み言語モデルに注入します。動的解像度ビジョンエンコーダーは1画像あたり最大3,600のビジュアルトークンに対応し、詳細なドキュメント解析やグラフィカルユーザーインターフェース（GUI）のグラウンディングを可能にします。また、過学習を防ぎつつ空間的推論を向上させるため、画像内の双方向アテンションが適用されています。この構成により、統合されたテキストと画像の入力を16,384トークンのコンテキスト長内で処理します。
明示的なタグによる思考と高速応答の切り替え
明示的なモードトークンにより、モデルは直接的な推論と多段階の拡張推論を切り替えることができます。単一のシステムとして動作し、タスクの複雑さに応じて動作モードを適応させます。画像キャプション生成、光学文字認識（OCR）、オブジェクト検出、直接的な視覚的質問応答などの低複雑度な視覚タスクでは、プロンプトに nothink トークンを付加することで、簡潔で論理的な解答を生成します。一方、数学的証明や科学ダイアグラム、複雑な計画立案を含む多段階タスクでは、システムが think トークンを付加します。このモードでは、最終的な解答を提示する前に、問題の分析、発見の要約、ブレインストーミング、精度の検証、エラーの修正を行う専用の思考セクションが出力に含まれます。
データフィルタリングによる計算資源の削減
体系的なデータフィルタリングと厳格なエラー修正により、Microsoftは適度な学習計算量で高いパフォーマンスを実現しました。学習データセットは、厳選されたオープンソースのビジョン・言語データセット、Microsoft社内チームの領域特化データ、およびターゲットを絞ったデータ収集で構成されています。アライメントは、有用性と無害性の例に加え、ヘイトスピーチ、暴力、自傷行為、露骨な性的コンテンツを拒否するための安全性指向のサンプルを使用した教師あり微調整によって達成されました。MicrosoftはAzure上で自動化されたレッドチーミングを実施し、グラウンディング、ジェイルブレイク耐性、有害コンテンツ生成、著作権保護を評価しました。学習は2025年2月3日から2026年2月21日までの期間中、240基のNVIDIA B200 GPUで4日間実行されました。
コンピューター利用エージェントへの影響
このモデルは、自動化されたコンピューター利用エージェントにおける視覚的な画面ナビゲーションや多段階のドキュメント推論タスクを解決します。企業や組織は同システムを導入して、コンピューター画面の理解、対話型GUI要素の特定、UI操作の実行を行うことができます。また、手書きの数式、図表、財務・技術テーブルから定量情報を抽出することも可能です。このハイブリッドアーキテクチャは、計算資源が限られた環境でも高速な視覚チェックと複雑な推論の両方を処理できるため、認知用と論理用に別々のモデルを配置する必要がなくなります。なお、Microsoftは本モデルが主に英語で学習されており、医療診断、法的助言、財務計画、採用や信用などの重大なリソース割当決定を目的としたものではないと注記しています。
ローカルハードウェアでのモデル実行要件
開発者は、phi 4 reasoning vision 15b mit licenseのもと、いくつかの配信チャネルを通じてオープンウェイトにアクセスできます。Microsoftは、phi 4 reasoning vision hugging faceリポジトリやGitHubでのパブリックダウンロードのほか、Microsoft Azure AI Foundryを通じたエンタープライズアクセスを提供しています。公式ドキュメントでは、開発者としてMicrosoft Corporationが、認可代理人としてMicrosoft Ireland Operations Limitedが記載されています。技術的な統合には、torch 2.7.1以上、transformers 4.57.1以上、vllm 0.15.2以上が必要です。企業のインフラチームは、NVIDIA A6000、A100、H100 GPU上でphi 4 reasoning vision run locally（ローカル実行）を設定できます。
質問と回答
Microsoft Phi-4-reasoning-vision-15Bとは何ですか？
Microsoft Phi-4-reasoning-vision-15Bは、Phi-4-ReasoningバックボーンとSigLIP-2ビジョンエンコーダー上に構築された15Bパラメータのオープンウェイト・マルチモーダル推論モデルです。2026年3月4日に公開され、直接応答と思考対話の2つの実行モードを使用して、16,384トークンのコンテキスト長でテキストと画像の入力を処理します。
Phi-4-reasoning-vision-15BはMITライセンスのオープンソースですか？
はい、MicrosoftはPhi-4-reasoning-vision-15BをMITライセンスの下で公開しました。このライセンスにより、開発者や企業は公開されたモデルウェイトをダウンロード、実行、カスタマイズし、商用アプリケーションを構築するオープンなアクセス権が得られます。
Phi-4-reasoning-vision-15BをローカルGPUで実行できますか？
はい、同モデルは計算資源が制限された環境でのデプロイ向けに構築されており、ローカルハードウェア上で動作します。Microsoftは、PyTorch、Hugging Face Transformers、vLLMフレームワークを使用して、NVIDIA A6000、A100、H100 GPU上で動作検証を行っています。
MOZGIIの視点
私たちならこう作ります
私たちがこの百五十億パラメータのビジョンモデルを用いて文書・インターフェース自動化エージェントを構築する場合、まず視覚入力に対する厳格なルーティングルールを設定することから始めるでしょう。画面ボタンの特定や視覚的な文字抽出のような単純なタスクは、プロンプトモードトークンを用いて高速推論パスへ直接ルーティングするはずです。手書きの科学テーブルの解析や動的なソフトウェアインターフェースの操作といった複雑なマルチステップのワークフローに対しては、拡張推論モードに入力を振り分けるでしょう。クラウドの遅延を避け、ユーザーデータのローカル管理を維持するため、ビジョンエンコーダーと言語モデルをローカルの大容量メモリ処理ユニット上に統合したままにすると思います。
視覚的推論パスが失敗するエッジケースを検査するため、人間のオペレーターをループ内に配置するでしょう。ユーザーインターフェースのレイアウトが予期せず変化した際や、スキャンされた財務表の手書き文字が曖昧で空間アテンションで正確に解決できない場合に、システムは動作を停止します。人間のレビュー担当者がフラグの立ったこれらのエラーを処理し、修正された画像マスクをローカル評価セットにフィードバックするでしょう。私たちが追跡する主要な指標は、人間の介入なしでのマルチステップ視覚ワークフローのタスク完了率となるはずです。
次に、推論出力をデスクトップ自動化コマンドへ直接変換する自動タスクプランナーを構築するでしょう。この拡張機能により、私たちのソフトウェアエージェントはデスクトップソフトウェア全体でエンドツーエンドの完全なインターフェース操作を実行できるようになるはずです。
出典
この記事の事実の出典です。