Phi-4-Reasoning-Vision-15Bとは？
Phi-4-Reasoning-Vision-15Bは、Microsoftの小型モデル群Phiの最新モデルで、2026年3月4日に公開されました。言語モデルPhi-4-Reasoningに画像エンコーダーを組み合わせたもので、テ キストと画像を読み、テキストを出力します。パラメータ数は150億（15 billion）、コンテキストは16,384トークンです。
1つのモデルで両方のスタイルを扱います。段階的に推論することも直接答えることもでき、どちらかのモードを強制することもできます。主に英語で学習されており、多言語での利用は想定されていません。
重みはHugging FaceとGitHubでMITライセンスのもと無料で公開され、Microsoft Foundry経由でも提供されています。
Phi-4-Reasoning-Vision-15Bは使う価値があるか？
Phi-4-Reasoning-Vision-15Bにとって不都合な事実は、自身のモデルカードに書かれています。サイズが約半分のQwen3-VL-8B-Instructと比べると、Microsoftが挙げる10のベンチマークのうち8つで下回っています。OCRBench（76.0対89.2）、MathVista（75.2対77.1）、画面のグラウンディングを測るScreenSpot-v2（88.2対91.5）もそこに含まれます。上回るのはAI2Dの図表とChartQAだけで、その差も2.1ポイント以下です。
健闘するのは、古いモデルや汎用モデルが相手のときです。チャートと画面ではPhi-4-multimodalとGemma 3 12Bを大きく上回り、Gemma 3 12BのScreenSpot-v2は3.5です。Microsoftが比較したのは2025年世代のモデルだけでGemma 4は含まれず、スコアはすべて自己申告です。
実用上の上限は16,384トークンのコンテキストです。画像エンコーダーは高解像度の画像1枚に最大3,600トークンを使うため、スクリーンショット数枚と推論の過程でウィンドウを使い切ります。MicrosoftはvLLM上でのbf16を推奨しており、重みはおよそ30GBになります。テスト環境として挙げられているのはA6000、A100、H100、B200のGPUで、一般向けのカードは含まれて いません。
MITライセンスと切り替え可能な推論モードは本物の利点で、公開されている安全性の欠陥率（テキストからテキストで1.4%、画像からテキストで4.5%）は、多くのオープンリリースより充実した情報です。ただ、普及は進んでいません。Hugging Faceのページでは直近1か月のダウンロードが約3,100件で、コミュニティによる量子化版やツールはほとんど期待できません。
真価を発揮する場面
法務部門がMITかApacheのライセンスしか承認しない企業のプラットフォームエンジニア
社内の分析ツールに、チャートと図表についての質問応答を加える
A100またはA6000 1枚でvLLMを使いbf16で配信し、速度のため非思考モードを使います。ライセンス面では説明のつく選択ですが、同じカードではQwen3-VL-8Bのほうがスコアが上です。
古いデスクトップソフト向けのコンピューター操作エージェントを試作するチーム
スクリーンショット上のボタンや入力欄の位置を特定する
ScreenSpot-v2の88.2はグラウンディングには実用的ですが、16Kのコンテキストでは1ステップに入る画面の数が限られます。履歴はかなり絞り込む前提で考えるべきです。
英国の教育スタートアップのプロダクトマネージャー
手書きの数学や図の問題を生徒に解説する
思考モードを強制するとMathVerseは44.9から53.1に上がりますが、レイテンシとトークンがかさみます。英語のみの学習なので、多言語の市場には使えません。
導入前に確認すること
- 導入
- torch 2.7.1以降、Transformers 4.57.1以降、配信にはvLLM 0.15.2以降が必要です。Microsoftは、常にチャットテンプレートとシステムプロンプトを使うよう指示しています。
- 連携
- Hugging FaceとGitHubの重み、Microsoft Foundryでのホスティング、vLLMとTransformersに対応しています。思考あり・なしの出力は、生成テンプレートにトークンを付け加えて強制します。
- データとプライバシー
- MITライセンスです。セルフホストなら画像とプロンプトは手元に留まり、FoundryでのホスティングにはAzureの規約が適用されます。
- 大規模利用時のコスト
- セルフホストには、48GBのA6000や80GBのA100のように、30GBを 大きく超えるGPUが必要です。Foundryの価格は公開されていません。モデルカードにも、他のPhi-4モデルのトークン単価を載せているAzureの小売価格表にも記載がありません。
- 制限
- 16,384トークンのコンテキストを画像とテキストで共有します。英語のみです。Microsoftは、医療、法律、金融の助言には適さないとしています。
良い点
- 利用制限のないMITライセンス
- 思考モードと非思考モードを1つのモデルで提供
- 安全性のレッドチーミングによる欠陥率を公開
- チャートと画面ではGemma 3 12Bを大きく上回る
気になる点
- Microsoft自身の表で、10のベンチマークのうち8つでQwen3-VL-8Bを下回る
- コンテキストは16Kトークンで、画像1枚に最大3,600トークンを使う
- bf16で約30GB。テストはデータセンター向けGPUのみ
- モデルカード自身の記載で英語のみ
おすすめの人
データセンター向けGPUを持ち、チャート、図表、スクリーンショット向けにMITライセンスの英語の画像対応モデルが必要で、先にQwen3-VLと比較する用意のあるチーム。
Phi-4-Reasoning-Vision-15Bの代替
Phi-4-Reasoning-Vision-15B：よくある質問
- Phi-4-Reasoning-Vision-15Bは使う価値があるか？
- Phi-4-Reasoning-Vision-15BはMITライセンスの画像対応モデルですが、Microsoft自身の成績表で8BのQwenに負けています。 評価は5点満点中3.4点です。
- Phi-4-Reasoning-Vision-15Bの料金は？
- 重みはMITで無料です。Microsoft Foundryでのホスティングは別料金です。
- Phi-4-Reasoning-Vision-15Bの欠点は？
- Microsoft自身の表で、10のベンチマークのうち8つでQwen3-VL-8Bを下回る; コンテキストは16Kトークンで、画像1枚に最大3,600トークンを使う; bf16で約30GB。テストはデータセンター向けGPUのみ; モデルカード自身の記載で英語のみ.
- Phi-4-Reasoning-Vision-15Bは誰に向いているか？
- データセンター向けGPUを持ち、チャート、図表、スクリーンショット向けにMITライセンスの英語の画像対応モデルが必要で、先にQwen3-VLと比較する用意のあるチーム。
- チームや本番環境でPhi-4-Reasoning-Vision-15Bを使うと費用はいくらか？
- セルフホストには、48GBのA6000や80GBのA100のように、30GBを大きく超えるGPUが必要です。Foundryの価格は公開されていません。モデルカードにも、他のPhi-4モデルのトークン単価を載せているAzureの小売価格表にも記載がありません。
- Phi-4-Reasoning-Vision-15Bは企業データを扱っても安全か？
- MITライセンスです。セルフホストなら画像とプロンプトは手元に留まり、Foundry でのホスティングにはAzureの規約が適用されます。
- Phi-4-Reasoning-Vision-15Bの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はGemma 4, Mistral Small 4, Phi-4-multimodal 、 Nemotron 3.5 Super VLです。
回答確認日：2026年10月26日