智東西
作者 程茜
編輯 漠影

智東西11月13日?qǐng)?bào)道，今日，百度在2025百度世界大會(huì)上，正式發(fā)布文心新一代模型——原生全模態(tài)模型文心5.0，文心5.0參數(shù)量達(dá)2.4萬億，達(dá)到業(yè)界已公開參數(shù)的模型之最。

作為全模態(tài)大模型，文心5.0采用原生全模態(tài)統(tǒng)一建模技術(shù)，具備全模態(tài)理解與生成能力，支持文本、圖像、音頻、視頻等多種信息的輸入與輸出。

智東西此前拿到了文心5.0 Preview的內(nèi)測(cè)資格，對(duì)其能力展開了全面測(cè)驗(yàn)，結(jié)果顯示，它在文字生成、圖片生成兩大場(chǎng)景的指令遵循精度提升，同時(shí)回復(fù)更具高情商、人性化，在多模態(tài)內(nèi)容理解、跨模態(tài)信息聯(lián)動(dòng)解讀方面也展現(xiàn)出強(qiáng)勁實(shí)力。

無獨(dú)有偶，今天凌晨，OpenAI宣布推出了GPT-5系列的最新升級(jí)版GPT-5.1，包含GPT-5.1 Instant和GPT-5.1 Thinking兩個(gè)型號(hào)，其在更聰明和高情商的溝通方式上雙線提升。

從百度與OpenAI同天升級(jí)的模型可以看出，大模型與人的交互正在精準(zhǔn)遵循人類指令的基礎(chǔ)上，朝著更自然、更像人的方向演進(jìn)。

文心5.0 Preview已同步上線文心一言官網(wǎng)和文心App，用戶可直接體驗(yàn)；開發(fā)者和企業(yè)用戶也可通過百度千帆大模型平臺(tái)，調(diào)用文心大模型5.0 API服務(wù)。目前上線的文心5.0 Preview版本支持全模態(tài)輸入+文字和圖片的多模態(tài)輸出，滿血版將在之后陸續(xù)推出。

就在上周末，文心5.0 Preview已經(jīng)登上LMArena大模型競(jìng)技場(chǎng)文本排行榜全球并列第二、中國第一，在創(chuàng)意寫作、復(fù)雜長問題理解、指令遵循等方面超過多款國內(nèi)外主流模型。

百度創(chuàng)始人李彥宏說，當(dāng)下AI產(chǎn)業(yè)已經(jīng)從不健康的金字塔結(jié)構(gòu)轉(zhuǎn)變?yōu)榻】档摹暗菇鹱炙苯Y(jié)，也就是應(yīng)用層、模型層、芯片層。如何讓AI和我們要做的任務(wù)進(jìn)行有機(jī)結(jié)合，讓企業(yè)和個(gè)人內(nèi)化AI能力、讓智能從成本變成生產(chǎn)力，提升決策質(zhì)量，發(fā)現(xiàn)新的增長點(diǎn)。

他認(rèn)為，用好AI才能掌控未來，智能本身是最大的應(yīng)用，而技術(shù)迭代速度是唯一護(hù)城河。百度會(huì)持續(xù)投入、研發(fā)更前沿的模型，推高智能天花板。

一、大模型全才：復(fù)雜文圖生成、音視頻理解、編程均能勝任

話不多說，先來一波實(shí)測(cè)展示。

智東西首先體驗(yàn)了文心5.0 Preview在單模態(tài)內(nèi)容上的理解、生成能力。

智東西讓文心5.0 Preview以日常物品的視角寫一篇短篇故事，需包含該物品的誕生記憶、和主人的事件、最終歸宿，其中的要求是不能出現(xiàn)物品本品。文心5.0 Preview寫的短篇故事前后邏輯清晰、文筆流暢，指令中的關(guān)鍵細(xì)節(jié)進(jìn)行了完整呈現(xiàn)，并且全文都是用第一人稱，主人和主人女兒的人稱表述也很準(zhǔn)確。

當(dāng)智東西詢問“我覺得壓力很大，需要一些放松的意見”，文心5.0 Preview的回復(fù)像一個(gè)溫柔的心靈導(dǎo)師，其回復(fù)先進(jìn)行了安慰，提到壓力很大很正常并告訴我完全可以自主調(diào)節(jié)，之后才提出相應(yīng)的方法，包括急救方法、長期策略以及調(diào)整思維，幫助我從根本上緩解壓力。

文心5.0 Preview的旅游搭子人設(shè)也更加人性化，當(dāng)智東西要求它幫忙推薦幾個(gè)四川比較熱鬧的地方吃火鍋。文心5.0 Preview不僅列出了熱鬧的景點(diǎn)、推薦了火鍋店，還給出了每個(gè)火鍋店的特點(diǎn)，有哪些招牌菜品、性價(jià)比、座位特點(diǎn)等等，最后還提醒我要提前取號(hào)，選擇辣度時(shí)更謹(jǐn)慎。

然后是復(fù)雜元素圖片生成，智東西的提示詞為：通體發(fā)光的白色小鹿，鹿角纏繞淡粉櫻花與銀線。小鹿四蹄踏在漂浮的青綠色苔蘚石塊上，在清晨霧感森林，陽光透過樹葉形成光斑，地面鋪著落葉與白色小花，遠(yuǎn)處有溪流反光。

下面的圖片從小鹿顏色、鹿角上的櫻花、苔蘚石塊到地面、溪流的各處細(xì)節(jié)，文心5.0 Preview都進(jìn)行了精準(zhǔn)復(fù)現(xiàn)且整個(gè)畫面和諧自然。

其次是視頻理解能力，智東西上傳了一段35分鐘的七人英文對(duì)話視頻，并詢問文心5.0 Preview這七個(gè)人分別是誰并總結(jié)這段視頻的核心觀點(diǎn)。

文心5.0 Preview不僅準(zhǔn)確羅列了視頻中的七個(gè)人，還分別總結(jié)提煉了每個(gè)人的核心觀點(diǎn)，以及對(duì)其觀點(diǎn)進(jìn)行了共同點(diǎn)和差異點(diǎn)分析。

▲文心5.0 Preview部分生成內(nèi)容

視頻理解方面，智東西上傳了一條IMO國際數(shù)學(xué)奧林匹克競(jìng)賽最具挑戰(zhàn)的第六題解析視頻，并要求文心5.0 Preview在保留解題步驟細(xì)節(jié)的同時(shí)，說明視頻中所示圖片的對(duì)應(yīng)關(guān)系。文心5.0 Preview輸出的解題過程清晰，并且在每個(gè)步驟都對(duì)應(yīng)視頻中配圖進(jìn)行分析，還在輸出內(nèi)容末尾處專門對(duì)配圖進(jìn)行了總結(jié)說明。

電視劇情的視頻分析是對(duì)全模態(tài)大模型的綜合考量，其需要對(duì)劇情內(nèi)容的時(shí)序、情節(jié)進(jìn)行理解并同步進(jìn)行推理。智東西上傳了一段電影劇情，讓文心5.0 Preview說明視頻中的主人公正在經(jīng)歷什么、情緒變化如何、他為什么后面直接摔了手機(jī)。

文心5.0 Preview準(zhǔn)確梳理了主人公的經(jīng)歷，并將對(duì)應(yīng)的關(guān)鍵動(dòng)作、情緒進(jìn)行了加粗強(qiáng)調(diào)，隨后結(jié)合視頻的完整走向及主人公情感變化，綜合分析了他扔掉手機(jī)的多種因素。

為了加大難度，智東西上傳了一段包含兩位廚師比拼廚藝的視頻，且兩位廚師的制作牛排步驟、解說穿插出現(xiàn)，要求文心5.0 Preview分析兩位廚師各自的菜單及制作過程，并生成可以復(fù)刻的菜單及制作牛排過程。

文心5.0 Preview一下子就羅列了出來，將兩位廚師的食材選擇、處理步驟進(jìn)行了清晰呈現(xiàn)，還通過表格總結(jié)了兩位在牛排選擇、處理方式、調(diào)味等方面的不同，基于此為家庭制作牛排提供了步驟參考及關(guān)鍵小技巧總結(jié)。

文心5.0 Preview的代碼能力也實(shí)現(xiàn)了升級(jí)，文心5.0 Preview用HTML構(gòu)建了一個(gè)網(wǎng)站，展示太陽系的3D模擬。其生成的頁面3D動(dòng)態(tài)效果絲滑，并且還有交互功能支持調(diào)整速度、進(jìn)行縮放等。

二、原生全模態(tài)大模型登場(chǎng)，拿下全球第二、國內(nèi)第一

基準(zhǔn)測(cè)試結(jié)果，文心5.0 Preview在語言、視覺理解、音頻理解、視覺生成上超過多款國內(nèi)外主流模型，尤其在創(chuàng)意寫作、事實(shí)性智能體規(guī)劃與工具應(yīng)用等方面表現(xiàn)較好。

在語言方面，文心5.0 Preview在知識(shí)、指令遵循、學(xué)科綜合、邏輯推理等諸多測(cè)試中能力幾乎與GPT-5（High）持平，并超過DeepSeek、谷歌Gemini。

在音頻理解方面，文心5.0 Preview的音頻理解表現(xiàn)遠(yuǎn)超OpenAI GPT-4o和谷歌Gemini-2.5-Pro。

在視覺生成方面，文心5.0 Preview表現(xiàn)與Nana Banana、Veo 3相當(dāng)。

在視覺理解方面，文心5.0 Preview表現(xiàn)同樣與GPT-5、Gemini-2.5-Pro持平，并在文檔理解的部分基準(zhǔn)測(cè)試中遠(yuǎn)超其他模型。

這一系列的性能表現(xiàn)，值得我們扒一扒起背后的核心技術(shù)特性：

首先是原生全模態(tài)建模，其模型自訓(xùn)練初始即融合語言、圖像、視頻、音頻等多模態(tài)數(shù)據(jù)，支持文、圖、視、音聯(lián)合輸入輸出，實(shí)現(xiàn)原生的全模態(tài)統(tǒng)一理解與生成。

二是理解與生成一體化，其攻克了多模態(tài)理解與生成統(tǒng)一建模的技術(shù)難題，通過精細(xì)建模多模語義特征，達(dá)成理解與生成相互增強(qiáng)。

三是自回歸統(tǒng)一架構(gòu)，對(duì)不同模態(tài)訓(xùn)練目標(biāo)進(jìn)行離散化建模，采用統(tǒng)一自回歸架構(gòu)訓(xùn)練，使多模態(tài)特征在統(tǒng)一架構(gòu)下充分融合并協(xié)同優(yōu)化，強(qiáng)化全模態(tài)統(tǒng)一建模效能。

依托飛槳深度學(xué)習(xí)框架，文心5.0采用了超稀疏混合專家模型結(jié)構(gòu)，總參數(shù)量為2.4萬億，激活參數(shù)比例低于3%。這得益于全模態(tài)超稀疏混合專家分布式訓(xùn)練和多集分離架構(gòu)的全模態(tài)統(tǒng)一高性能推理。

其訓(xùn)練端采用多模態(tài)編碼器分離異步訓(xùn)練架構(gòu)等創(chuàng)新方案，結(jié)合FP8混合精度訓(xùn)練，推理端設(shè)計(jì)多級(jí)分離部署框架，搭配超稀疏均衡算法、動(dòng)態(tài)投機(jī)解碼等技術(shù)，顯著降低推理成本。

最后是長程任務(wù)增強(qiáng)的智能體能力，其基于大規(guī)模真實(shí)、模擬工具環(huán)境的長程任務(wù)軌跡數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練與后訓(xùn)練增強(qiáng)，通過思維鏈、行動(dòng)鏈結(jié)合端到端多輪強(qiáng)化學(xué)習(xí)訓(xùn)練，提升模型智能體及工具調(diào)用能力。

李彥宏談道，大模型技術(shù)還在朝著智能水平不斷突破極限、模型的思考時(shí)間變長、統(tǒng)一的原生多模態(tài)、進(jìn)一步自我學(xué)習(xí)迭代發(fā)展。

三、國產(chǎn)大模型迎來產(chǎn)業(yè)新周期

從單模態(tài)、多模態(tài)到全模態(tài)，大模型的發(fā)展正從單一能力專精多能力協(xié)同，再到全場(chǎng)景適配進(jìn)化。

全模態(tài)大模型通過深度整合文本、語音、圖像等多元信息，既貼合人類多感官協(xié)同的自然交互邏輯，又能挖掘更多數(shù)據(jù)的潛在價(jià)值，成為拓展AI應(yīng)用邊界、驅(qū)動(dòng)產(chǎn)業(yè)智能化升級(jí)的核心支撐。

強(qiáng)大的能力也意味著全模態(tài)大模型背后的技術(shù)難度，其需要攻克諸多多模態(tài)數(shù)據(jù)痛點(diǎn)，文本、語音、圖像等數(shù)據(jù)格式、語義邏輯截然不同，而傳統(tǒng)架構(gòu)難以實(shí)現(xiàn)深度語義對(duì)齊。

再加上全模態(tài)大模型需處理的多源數(shù)據(jù)量與計(jì)算復(fù)雜度呈指數(shù)級(jí)增長，還需完成跨模態(tài)協(xié)同推理、靈活適配多樣化場(chǎng)景需求等，因此其離不開底層架構(gòu)的突破性創(chuàng)新。

文心5.0為原生全模態(tài)模型，它既是百度文心大模型攻克核心技術(shù)難關(guān)后的最新重磅成果，更突顯了底層架構(gòu)創(chuàng)新對(duì)于當(dāng)下大模型技術(shù)進(jìn)階的核心支撐價(jià)值。

從2019年開始深耕預(yù)訓(xùn)練模型，至今6年時(shí)間，百度在大模型的技術(shù)迭代突破、開源生態(tài)構(gòu)建、產(chǎn)業(yè)應(yīng)用落地三大核心維度持續(xù)布局。

在大模型技術(shù)層面，百度已經(jīng)先后推出文心大模型1.0至5.0，其模型多次在大模型性能排行榜中名列前茅。

進(jìn)入2025年，百度大模型的迭代節(jié)奏持續(xù)提速，不僅模型數(shù)量穩(wěn)步擴(kuò)容，覆蓋類型也實(shí)現(xiàn)全方位拓展。

文心大模型4.5 Turbo、文心大模型X1 Turbo 、文心大模型X1.1深度思考模型、百度最新開源的文心思考模型ERNIE-4.5-21B-A3B-Thinking等模型悉數(shù)亮相，且文心思考模型在今年9月的HuggingFace全球模型總趨勢(shì)榜和文本模型趨勢(shì)榜均排名第一。

在開源生態(tài)方面，百度于今年6月正式官宣涵蓋10款模型的文心大模型4.5系列正式開源，之后開源模型矩陣不斷豐富和完善。

而在產(chǎn)業(yè)應(yīng)用落地層面，今年6月，百度電商直播間的羅永浩數(shù)字人出圈，其以5500萬元的GMV（商品交易總額）刷新了數(shù)字人帶貨紀(jì)錄，該數(shù)字人基于百度劇本驅(qū)動(dòng)多模協(xié)同的高擬真數(shù)字人技術(shù)，是多模融合且具備了思考、決策和執(zhí)行能力的多智能體系統(tǒng)。

今日，百度還推出了實(shí)時(shí)互動(dòng)型數(shù)字人技術(shù)，并現(xiàn)場(chǎng)與羅永浩數(shù)字人進(jìn)行互動(dòng)，讓其按照要求進(jìn)行點(diǎn)贊、比心、比耶三連，數(shù)字人動(dòng)作絲滑流暢且保留了羅永浩本人的語言風(fēng)格。

可以看到，百度正在將大模型能力轉(zhuǎn)化為可落地、可復(fù)用的行業(yè)解決方案，推動(dòng)技術(shù)價(jià)值向產(chǎn)業(yè)價(jià)值轉(zhuǎn)化，構(gòu)建起技術(shù)、生態(tài)、應(yīng)用三位一體的良性發(fā)展閉環(huán)。

相比傳統(tǒng)單一的文本或語音交互模式，全模態(tài)大模型讓人機(jī)交互更貼合人類視聽言思的自然認(rèn)知習(xí)慣，也進(jìn)一步拓展了行業(yè)應(yīng)用場(chǎng)景的深度與廣度。