시각적 사고의 혁신, <think> 모드로 복잡한 도표와 GUI까지 추론하는 15B 멀티모달 모델
멀티모달 이미지-텍스트 생성 및 시각적 추론15B16K 컨텍스트mit
Phi-4 언어 모델의 강력한 추론 능력을 시각 영역으로 확장하여 복잡한 이미지 분석과 GUI 제어를 수행하는 멀티모달 모델입니다.
핵심 역량
- <think> 태그를 통한 단계별 시각적 추론(CoT)
- 최대 3,600개의 비주얼 토큰을 활용한 고해상도 이미지 이해
- GUI 요소 인식 및 컴퓨터 사용 에이전트(CUA) 기능
- 수학 및 과학 도표 분석(MathVista 75.2%)
- 16K 토큰 컨텍스트 윈도우 지원
알아두면 좋은 것
- MathVista(75.2%) 및 ScreenSpot-V2(88.2%)에서 뛰어난 벤치마크 성능 기록
- SigLIP-2 비전 인코더와 Phi-4-reasoning 백본의 미드-퓨전(Mid-fusion) 아키텍처
- MIT 라이선스로 상업적 이용 및 수정이 비교적 자유로움
- 영어 중심 학습으로 한국어 등 타 언어에서는 성능이 저하될 수 있음
150
Likes
19.7k
Downloads
0 / 0
조회수
관련 토론
아직 관련 토론이 없습니다.
댓글
댓글을 작성하려면 로그인이 필요합니다.