【百度拥抱开源】百度开源文心一言视觉大模型—— ERNIE-4.5-VL

ERNIE 4.5 技术亮点

ERNIE 4.5系列模型（特别是基于混合专家系统的A47B与A3B架构）的卓越能力源于以下核心技术创新：

1. 多模态异构MoE预训练：通过文本与视觉模态的联合训练，模型能更精准捕捉跨模态信息的细微差异，显著提升文本理解生成、图像解析及跨模态推理任务的性能。为避免模态间相互干扰，我们创新设计了异构混合专家结构，采用模态隔离路由机制，并引入路由器正交损失与多模态令牌平衡损失函数。这些架构设计确保双模态特征得到充分表征，实现训练过程中的协同优化。

2. 高效扩展基础设施：我们提出创新的异构混合并行与分层负载均衡策略来优化ERNIE 4.5训练效率。通过节点内专家并行、内存优化流水线调度、FP8混合精度训练及细粒度重计算技术，实现了卓越的预训练吞吐量。在推理阶段，采用多专家并行协作方法与卷积编码量化算法，达成4比特/2比特无损量化。进一步通过PD解耦架构与动态角色切换机制提升资源利用率，显著增强MoE模型推理性能。基于飞桨框架，ERNIE 4.5可在多种硬件平台上实现高性能推理。

3. 模态专项微调：为满足实际应用场景的多样化需求，我们对预训练模型进行模态专项优化。其中通用大语言模型（LLM）专注于语言理解与生成任务，视觉语言模型（VLM）强化图文理解能力并支持"思维"与"非思维"双模式。各模型采用监督微调（SFT）、直接偏好优化（DPO）或我们改进的统一偏好优化（UPO）强化学习方法进行后期训练。

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上的表现具有决定性作用。为提升模型在多模态任务上的泛化能力和适应性，我们聚焦图像理解、任务定制微调以及多模态思维链推理三大核心能力，开展了系统化的数据构建与训练策略优化。此外，我们采用RLVR（可验证奖励的强化学习）技术进一步提升对齐效果和性能表现。经过SFT和RL阶段的训练后，最终得到ERNIE-4.5-VL-28B-A3B模型。

模型概览

ERNIE-4.5-VL-28B-A3B是一款多模态MoE对话模型，总参数量达280亿，每个token激活参数量为30亿。以下是模型配置详情：

ERNIE-4.5-VL-424B-A47B是基于ERNIE-4.5-VL-424B-A47B-Base开发的多模态MoE对话模型，总参数量4240亿，单token激活参数470亿。以下是模型配置详情：

快速入门

使用 transformers 库

以下是如何使用transformers库进行推理的示例:

import torch
from transformers import AutoProcessor, AutoTokenizer, AutoModelForCausalLM

model_path = 'baidu/ERNIE-4.5-VL-28B-A3B-PT'
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True
)

processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
processor.eval()
model.add_image_preprocess(processor)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "Describe the image."},
            {"type": "image_url", "image_url": {"url": "https://paddlenlp.bj.bcebos.com/datasets/paddlemix/demo_images/example1.jpg"}},
        ]
    },
]

text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True, enable_thinking=False
)
image_inputs, video_inputs = processor.process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)

device = next(model.parameters()).device
inputs = inputs.to(device)

generated_ids = model.generate(
    inputs=inputs['input_ids'].to(device),
    **inputs,
    max_new_tokens=128
    )
output_text = processor.decode(generated_ids[0])
print(output_text)

vLLM 推理

我们正在与社区合作，全力支持文心4.5模型的部署，敬请期待。

许可协议

文心4.5模型基于Apache License 2.0开源协议提供。该协议允许商业用途，但需遵守相关条款与条件。版权所有 © 2025 百度公司。保留所有权利。