近日，百度正式推出新型多模態(tài)推理模型 ERNIE-4.5-VL-28B-A3B-Thinking，以混合專家（MoE）架構(gòu)實現(xiàn) “以小博大” 的技術(shù)突破 ——280 億總參數(shù)量下僅需激活 30 億參數(shù)即可運行，在多模態(tài)基準(zhǔn)測試中性能比肩 GPT-5.1 與 Gemini 2.5 Pro，且基于 Apache 2.0 協(xié)議全面開源，引發(fā)行業(yè)震動。

MoE 架構(gòu)成為此次技術(shù)突破的核心支撐。該模型將神經(jīng)網(wǎng)絡(luò)拆解為多個 “專家小組”，通過門控機制動態(tài)選擇相關(guān)專家處理任務(wù)：輸入數(shù)據(jù)進入后，門控系統(tǒng)會生成概率分布，僅激活與當(dāng)前任務(wù)最相關(guān)的參數(shù)模塊，如處理圖表理解時調(diào)用數(shù)據(jù)解析專家，分析視頻時激活時序處理專家。這種 “按需激活” 模式使 280 億總參數(shù)量的模型，每個 token 僅需調(diào)動 30 億參數(shù)，既降低了計算冗余，又保持了高精度推理，計算效率較傳統(tǒng)稠密模型提升數(shù)倍。

多模態(tài)視覺推理能力實現(xiàn)全面升級。ERNIE-4.5-VL 可精準(zhǔn)處理圖表理解、視頻理解、視覺定位及工具增強圖像搜索四大核心任務(wù)：在金融報表分析場景中，能快速提取圖表數(shù)據(jù)并生成解讀報告；面對動態(tài)視頻內(nèi)容，可識別關(guān)鍵幀事件并梳理時間線；針對復(fù)雜圖像，還能定位特定物體并聯(lián)動搜索工具補充信息。在 MathVista 數(shù)學(xué)視覺推理測試及多個 VQA（視覺問答）套件中，其準(zhǔn)確率與 GPT-5.1、Gemini 2.5 Pro 基本持平，但模型規(guī)模僅為同類產(chǎn)品的 1/3 至 1/2。

開源舉措更打破行業(yè)壁壘。百度已將該模型的文檔、演示及權(quán)重同步上線 Hugging Face 平臺，基于 Apache 2.0 協(xié)議允許開發(fā)者自由使用、修改及二次開發(fā)。這與 OpenAI 對 GPT-5.1 的閉源策略形成鮮明對比，為中小企業(yè)及科研機構(gòu)降低了多模態(tài) AI 的使用門檻。有開發(fā)者測試后表示：“小體量模型部署成本更低，開源后能快速適配智能客服、教育課件生成等場景。”

行業(yè)分析指出，百度此次發(fā)布標(biāo)志著 AI 競爭從 “參數(shù)競賽” 轉(zhuǎn)向 “效率比拼”。MoE 架構(gòu)的成熟應(yīng)用解決了大模型算力消耗過高的痛點，而開源策略則有望快速積累生態(tài)優(yōu)勢。相較于 GPT-5.1 側(cè)重 “情商與交互” 的迭代方向，ERNIE-4.5-VL 以 “高效 + 開源 + 多模態(tài)” 構(gòu)建差異化競爭力，或?qū)⑼苿有袠I(yè)加速進入 “輕量化高精度” 發(fā)展階段。目前，開發(fā)者可通過 Hugging Face 下載模型權(quán)重，百度同步提供了可視化演示工具供即時體驗。