微软推出高效推理模型Phi-4-reasoning-vision-15B，可处理科学图表等多模态文件。该模型基于SigLIP-2与Phi-4 Reasoning算法构建，采用中间融合（mid-fusion）技术：前者将图像转化为神经网络可理解的数值形式，后者为今年四月开源的推理模型。
该150亿参数模型支持图文同步处理，能解决复杂数理问题、解读图表文档，并胜任GUI导航、照片配文、收据识别等日常视觉任务。开发者还可借此构建通过UI与应用交互的AI代理。
在中度融合架构下，仅部分层支持多模态处理，降低硬件消耗时或牺牲输出质量。用户可通过命令禁用推理功能，进一步减少底层架构占用。
模型使用开源数据训练，包含图像及其文本描述，并在训练前经多步骤优化处理。
在MathVista_Mini基准测试中，Phi-4-reasoning-vision-15B得分比谷歌gemma-3-12b-it高出17%。其在其他数据集表现如下：AI2D 84.8分、ChartQA 83.3分、MathVista 75.2分、ScreenSpot v2 88.2分、MMMU 54.3分。虽不及Qwen3-VL-32B等大参数模型，但可与Qwen3-VL-8B、Kimi-VL-A3B等同规模系统抗衡甚至超越。目前可通过Microsoft Foundry、Hugging Face及GitHub获取。