/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
3,8 млрд
Лицензия
MIT
Архитектура
phi4mm · dense
Базовая модель
Phi-4-multimodal-instruct
Библиотека
mlx
Опубликована
6 апр 2026

Phi-4-multimodal-instruct-mlx-4bit

Изображение и текст → текст14 профессий

Квантизированная до 4 бит конверсия Phi-4-мультимодальной модели для локального анализа изображений и текстовых ответов на Apple Silicon.

85скачиваний за 30 дней0лайковвеса обновлены19 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ferox AI подготовила конверсию Microsoft Phi-4-multimodal-instruct для локального мультимодального инференса на устройствах Apple Silicon. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы; она предназначена для визуальных вопросов и ответов, извлечения сведений из документов, распознавания текста на изображениях и анализа графиков и диаграмм.

В основе — плотная архитектура семейства Phi-4 с языковой частью Phi-4-Mini на 3,8 млрд параметров и визуальным энкодером SigLIP-SO400M. Весовая часть модели квантизирована до 4 бит с группами по 64, тогда как энкодер SigLIP остаётся в FP16. Метаданные указывают контекст 4096 токенов. В этой сборке аудио не поддерживается; для запуска нужны Apple Silicon и MLX. По внутренним оценкам на небольших выборках модель показывает полезные результаты для документов, диаграмм и OCR, но точность ответов не гарантируется и требует проверки человеком.

Распространяется по лицензии MIT. Визуальные LoRA-адаптеры заранее слиты с весами, поэтому переключать их во время работы нельзя.

Сценарии применения

  • извлечение данных из счетов и форм
  • ответы на вопросы по изображениям документов
  • распознавание текста на изображениях
  • интерпретация графиков и диаграмм
  • анализ учебных материалов с иллюстрациями

Ограничения

Требуются Apple Silicon и MLX; модель не поддерживает аудио и не запускается на CUDA или системах только с CPU. Бенчмарки проведены на небольших выборках, а ответы могут быть неточными и требуют проверки человеком.

Для каких профессий подходит14

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Phi-4-Multimodal-Instruct — MLX 4-bit

A 4-bit quantized Apple MLX conversion of microsoft/Phi-4-multimodal-instruct for native inference on Apple Silicon.

Converted by Ferox AI · Vision-language inference on MacBook / Mac Studio / Mac Pro without cloud dependencies.

Parameters5.6B (pre-LoRA-fusion)
Quantization4-bit, group_size=64 (backbone only; SigLIP encoder remains FP16)
Disk size~3.9 GB
Base modelmicrosoft/Phi-4-multimodal-instruct
LicenseMIT
ModalityVision + Text (Phase 1; audio deferred)

Other variants: bf16 (full precision) · 8-bit

Quickstart

from mlx_vlm import load, generate

model, processor = load("ferox-ai/Phi-4-multimodal-instruct-mlx-4bit")

output = generate(
    model,
    processor,
    "Describe this image in detail.",
    ["path/to/image.jpg"],
    max_tokens=512,
    verbose=False,
)
print(output)

Requires mlx-vlm >= 0.1.0 with Phi-4-MM architecture support. Install dependencies:

pip install mlx-vlm>=0.1.0 mlx>=0.22.0

Benchmark Results

Evaluated with our internal evaluation harness on a single Apple Silicon device. Scores are computed on a 100-sample subset of each benchmark. Microsoft's reference scores are reported on the full dataset using PyTorch FP16 — direct comparison should account for both the precision difference and sample-size variance.

BenchmarkThis Model (4-bit)bf16Microsoft FP16 (full dataset)Metric
AI2D83.090.082.3Accuracy
ChartQA86.085.081.4Relaxed Accuracy
DocVQA82.886.293.2ANLS
MathVista58.058.062.4Accuracy
MMMU24.031.055.1Accuracy
OCRBench840840844Score / 1000
ScienceQA95.8†100.0†97.5Accuracy
TextVQA80.082.075.6Accuracy

† ScienceQA: 48 of 100 samples scored (image-bearing questions only; 52 text-only questions excluded).

Quantization impact

Across all benchmarks, 4-bit quantization produces a mean accuracy delta of −2.2 percentage points relative to bf16 — within the expected range for 4-bit group quantization on a model of this scale.

Note on MMMU

The 100-sample MMMU scores (24.0% 4-bit, 31.0% bf16) fall well below Microsoft's reported 55.1%. To isolate the cause, we ran a full 900-sample MMMU validation on the lossless bf16 variant and obtained 27.9% — consistent with the subset, which confirms the gap is not caused by quantization or weight conversion. We were unable to reproduce Microsoft's 55.1% and attribute the difference to evaluation-harness and answer-extraction handling for MMMU's multiple-choice format (prompt formatting and option parsing), rather than to the model's underlying capability — which is better reflected by the document-, chart-, OCR-, and science-focused benchmarks above.

Architecture

ComponentDetails
BackbonePhi-4-Mini (3.8B) — 32 transformer layers, hidden_size=3072, 24 query heads / 8 KV heads (GQA), head_dim=128, LongRoPE positional encoding (131K context)
Vision encoderSigLIP-SO400M NaViT — 27 layers, 16 heads, head_dim=72, hidden_size=1152
Vision projection2-layer MLP: Linear(4608→3072) → GELU → Linear(3072→3072). Input is a 2×2 spatial merge of SigLIP patch features
Vision LoRArank=256, alpha=512 (~370M parameters) — pre-fused into backbone weights before quantization
Image preprocessingDynamic HD tiling (deterministic grid, up to 8 crops at 448×448). PIL + NumPy only; zero PyTorch dependency at inference
Quantization4-bit with group_size=64. Applied to backbone linear layers only; SigLIP encoder weights remain in FP16

Weight provenance

Weights are converted from microsoft/Phi-4-multimodal-instruct using a deterministic pipeline:

  1. Download source checkpoint (PyTorch safetensors)
  2. Fuse vision LoRA adapters into backbone weights (eliminates runtime adapter overhead)
  3. Remap weight keys to MLX naming conventions
  4. Transpose LoRA matrices (PEFT → MLX format)
  5. Quantize backbone to 4-bit (SigLIP excluded)
  6. Serialize as MLX safetensors

The conversion and quantization pipeline is deterministic and fully reproducible from the base model.

Intended Use

This model is designed for local, on-device vision-language inference on Apple Silicon hardware. Suitable applications include:

  • Document understanding and extraction (invoices, forms, reports)
  • Chart and diagram interpretation
  • Visual question answering
  • OCR and text recognition in images
  • Educational content analysis

Out of scope

  • Audio processing (Phase 2, not included in this release)
  • Production deployment without application-level safety filtering
  • Use cases requiring guaranteed factual accuracy without human verification

Limitations

  • 100-sample evaluations. Benchmark scores are computed on subsets, not full datasets. Expect variance relative to full-dataset evaluations.
  • Vision-only. This is a Phase 1 release covering the vision modality. Audio support from the original Phi-4-multimodal architecture is not included.
  • No runtime LoRA switching. Vision LoRA adapters are pre-fused; the model cannot dynamically swap adapters.
  • Apple Silicon required. MLX is designed for Apple's unified memory architecture (M1/M2/M3/M4). This model will not run on CUDA or CPU-only systems.

Citation

If you use this model in your work, please cite:

@misc{feroxai2026phi4mlx,
  title={Phi-4-Multimodal-Instruct MLX Conversion},
  author={Ferox AI},
  year={2026},
  url={https://huggingface.co/ferox-ai/Phi-4-multimodal-instruct-mlx-4bit},
  note={4-bit quantized MLX port of microsoft/Phi-4-multimodal-instruct}
}

Acknowledgments

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
9136390

0 моделей