Satya Nadella, CEO de Microsoft, argumenta que los modelos fundacionales de IA se están convirtiendo en una mercancía, cambiando el enfoque de la industria hacia la innovación de productos y la integración de la pila de sistemas, en lugar del desarrollo de modelos.
Microsoft e IBM impulsan la IA sostenible con modelos de lenguaje pequeños (SLM). Granite de IBM y Phi-4 de Microsoft ofrecen eficiencia, menor consumo energético y accesibilidad, redefiniendo el futuro de la IA empresarial y multimodal, priorizando el impacto en el mundo real sobre la potencia bruta.
La serie Phi-4 de Microsoft ofrece IA multimodal compacta y eficiente para implementación local, con modelos como Phi-4 Mini Instruct y Phi-4 Multimodal, que procesan texto, imágenes y audio, redefiniendo la accesibilidad y privacidad de la IA.
LLMWare se asocia con Qualcomm para llevar capacidades de IA listas para la empresa a los procesadores Snapdragon X Series, con 'Model HQ'.
Microsoft presenta Phi-4-multimodal, un modelo de IA compacto para procesamiento de voz, visión y texto en dispositivos. Optimizado para baja latencia e inferencia, ideal para aplicaciones con recursos limitados, superando a modelos como Gemini-2.0-Flash Lite en tareas específicas. Un avance para la IA en dispositivos móviles y edge computing.
Phi-4 de Microsoft redefine la eficiencia en IA. Modelos compactos y potentes que procesan texto, imágenes y voz con menos recursos, democratizando el acceso a la IA avanzada.
Phi-4-multimodal y Phi-4-mini son los nuevos modelos de lenguaje pequeños de Microsoft que ofrecen capacidades de IA de vanguardia para desarrolladores. Phi-4-multimodal integra voz, visión y texto, mientras que Phi-4-mini se centra en tareas de texto. Ambos modelos son compactos, eficientes y potentes, ideales para una variedad de aplicaciones.
Microsoft Research ha presentado Phi-4, un modelo de lenguaje pequeño de 14 mil millones de parámetros diseñado para mejorar el razonamiento matemático. Destaca por su uso de datos sintéticos y orgánicos cuidadosamente seleccionados, superando a modelos más grandes en evaluaciones de STEM. Su entrenamiento incluye datos de matemáticas, código, razonamiento y diálogo, con una optimización para preferencias humanas.
