百度开源文心4.5系列10款模型，多项评测结果超DeepSeek-V3

Hugging Face：https://huggingface.co/baidu/models

飞桨星河社区：https://aistudio.baidu.com/modelsoverview

GitHub：https://github.com/PaddlePaddle/ERNIE

技术报告：https://yiyan.baidu.com/blog/posts/ernie4.5

文心大模型4.5系列背后的关键技术创新包括：

1、多模态异构MoE预训练：其模型基于文本和视觉模态进行联合训练，可捕捉多模态信息的细微差别，并提升文本理解与生成、图像理解以及跨模态推理等任务的性能。

为了实现这一目标，避免一种模态阻碍另一种模态的学习，百度研究人员设计了一种异构MoE结构，并引入了模态隔离路由，采用了路由器正交损失和多模态标记平衡损失。这些架构选择可以确保两种模态都得到有效表示，从而在训练过程中实现相互强化。

2、可扩展、高效的基础设施：百度提出异构混合并行和分层负载均衡策略，以实现ERNIE 4.5模型的高效训练。研究人员通过采用节点内专家并行、内存高效的流水线调度、FP8混合精度训练和细粒度重计算方法，实现了预训练吞吐量提升。

在推理方面，研究人员提出多专家并行协作方法和卷积码量化算法，以实现4位/2位无损量化。此外还引入具有动态角色切换的PD分解，提升ERNIE 4.5 MoE模型的推理性能。基于PaddlePaddle构建的ERNIE 4.5可在各种硬件平台上提供高性能推理。

3、针对特定模态的后训练：为了满足实际应用的多样化需求，百度针对特定模态对预训练模型的变体进行了微调。其大模型针对通用语言理解和生成进行了优化。

VLM专注于视觉语言理解，并支持思考和非思考模式，每个模型都结合使用了监督微调（SFT）、直接偏好优化（DPO）或统一偏好优化（UPO）的改进强化学习方法进行后训练。

在视觉-语言模型的微调阶段，视觉与语言的深度融合对模型在理解、推理和生成等复杂任务中的表现起着决定性的作用。为了提升模型在多模态任务上的泛化能力和适应性，研究人员围绕图像理解、任务定向微调和多模态思路推理三大核心能力，进行了系统性的数据构建和训练策略优化。此外，其利用可验证奖励强化学习（RLVR）进一步提升模型对齐和性能。