Microsoft/Phi-4-reasoning-vision-15B の llama.cpp へのサポートが統合されました

https://huggingface.co/dranger003/Phi-4-reasoning-vision-15B-GGUF

このモデルは以下のリンクで確認できます https://huggingface.co/microsoft/Phi-4-reasoning-vision-15B

Phi-4-Reasoning-Vision-15B は、Phi-4-Reasoning 言語モデルのバックボーンと SigLIP-2 視覚エンコーダを用いたミッドフュージョンアーキテクチャを採用したコンパクトなオープンウェイトのマルチモーダル推論モデルです。視覚エンコーダは画像を視覚トークンに変換し、それを言語モデルの埋め込み空間へ射影して事前学習済みの言語モデルに注入します。訓練と推論のコストを抑えつつ、両方の長所を活かします。最大3,600 の視覚トークンを扱える動的解像度の視覚エンコーダにより、高解像度画像理解が可能です。画像内の双方向アテンションを適用して空間推論を改善します。

Phi-4-Reasoning-Vision-15B は、推論データと非推論データを慎重に組み合わせたデータで監督付き微調整（SFT）を用いて訓練されています。単一のシステムとして動作し、<think>...</think> ブロックを用いた拡張チェーン・オブ・思考による推論や、知覚タスクには直接推論を用いるデフォルト（<nothink>）を切り替えます。訓練データは主に厳密にフィルタリングされたオープンソースの視覚と言語データセットで、内部の Microsoft チームの高品質データおよびターゲットデータ取得で補完されます。このデータ中心のアプローチと、約240台の NVIDIA B200 GPU を4日間で用いた中程度の計算要件により、Phi-4-Reasoning-Vision-15B は、より大規模な訓練データと計算資源に頼るモデルと一線を画します。