跳到正文

Phi-4-multimodal-instruct

支持文本、图像与音频输入的多模态模型

访问官网

Phi-4-multimodal-instruct 是什么

Phi-4-multimodal-instruct 被介绍为微软的多模态基础模型,接受文本、图像和音频输入并输出文本。

你可以用它做什么

  • 进行自动语音识别与语音翻译
  • 对多张图像做视觉问答
  • 处理语音总结与语音问答

应用场景

  • 语音助手提供多语言语音问答服务
  • 教育领域用视觉与语音辅助学习数学和科学
  • 内容创作根据图像或音频生成文本

优点与缺点

✓ 我们认可的地方

  • 多图像输入支持图表理解
  • 资料列出语音总结与语音问答

! 需要留意的地方

  • 输出仅为文本
  • 图像需先转换为支持的格式

常见问题

上下文长度多少?

资料说明为 128K 上下文长度。

列出哪些语言?

资料列出文本为英语、中文、法语,音频为英语、中文、德语。

最后评测: 2026-11-15

更多 大模型 API 平台 工具

查看全部 →

评测方法