3月5日，微软官方开发者社区博客宣布，微软发布了一款名为Phi-4-Reasoning-Vision-15B的视觉推理模型。这款模型是Phi-4系列中首个结合高分辨率视觉感知与选择性、任务感知推理的小语言模型（SLM），能够实现“看得清楚”和“想得深入”。与传统视觉模型仅执行被动感知不同，Phi-4-Reasoning-Vision-15B能够执行结构化、多步骤的推理，理解图像中的视觉结构，将其与文本上下文连接，并得出可操作的结论。

Phi-4-Reasoning-Vision-15B的关键设计特征是其混合推理行为，可以根据提示在“推理模式”和“非推理模式”之间切换。在需要深度推理时，如数学问题、逻辑分析，启用多步推理链；而在快速感知足够时，如OCR、元素定位，直接输出以降低延迟。该模型最重要的应用领域之一是搭配计算机智能体使用，能够接收屏幕截图和自然语言指令，输出目标UI元素的标准化边界框坐标，供其他智能体模型执行点击、滚动等交互操作。