作者：周源/华尔街见闻
6 月 30 日，百度正式开源文心大模型 4.5 系列（ERNIE 4.5），涵盖 10 款不同参数规模的模型，包括 47B（470 亿）、3B（30 亿）激活参数的混合专家（MoE）模型及 0.3B（3 亿）参数的稠密型模型，预训练权重与推理代码均完全开放。
目前，这些模型已可在飞桨星河社区、HuggingFace 等平台下载，百度智能云千帆大模型平台也同步提供了 API（应用程序编程接口：Application Programming Interface）服务。
这一动作，延续了科技领域 “开放协作” 的传统脉络，也为大模型技术的落地提供了新的可能性。
但百度创始人、董事长兼 CEO 李彦宏曾在 2024 年的 WAIC（世界人工智能大会：World Artificial Intelligence Conference）上，认为开源大模型是 “智商税”。
<h2 style="text-align: left">从参数覆盖到工具适配</h2>
百度此次开源的 10 款模型，形成了从 0.3B 到 47B 参数的梯度覆盖，囊括基础文本模型和视觉多模态模型（VLM）。除最小的 0.3B 模型外，其余模型都采用异构多模态 MoE（专家混合模型：Mixture of Experts）架构。
对于算力有限的中小开发者，0.3B 参数的稠密型模型可降低部署门槛，MoE 模型则能满足企业级复杂任务的需求。这种分层供给思路，让不同资源条件的使用者都能找到适配的工具。
与常规的单模态 MoE 不同，此次百度开源的 ERNIE 4.5 模型是一种异构混合型，也就是通过 “分而治之” 策略提升模型性能的人工智能架构：将多个不同类型的专家模块集成在一起，每个输入仅激活部分相关的专家模块，从而在不显著增加计算量的前提下大幅提升模型容量。
这种架构的核心思想是将复杂任务分解给多个专门的 “专家模型”（Expert）处理，再通过门控网络（Gating Network）动态选择最优专家或组合专家输出，从而在保持模型规模可控的同时，提升模型的表达能力和效率。
相对而言，文心大模型 4.5 系列的技术特点，集中体现在多模态能力的优化上。
作为原生多模态模型，ERNIE 4.5 对图像、音视频的理解能力并非简单叠加，而是基于异构 MoE 架构实现的模态融合，没有盲目追求单一指标的突破，而是在文本任务性能稳定的基础上，逐步增强多模态处理能力。
观察 ERNIE 4.5 的技术结构可以发现：ERNIE 4.5 的异构 MoE 架构包含文本专家、视觉专家和共享专家三类 FFN 专家。
FFN 专家是指混合专家模型（MoE）中，由前馈神经网络（Feed-Forward Neural Network）构成的专家模块。
每个 FFN 专家都可以看作是一个独立的子模型，能处理特定类型或范围内的数据。
模型会通过门控网络或路由机制来确定对于每个输入 token，应该由哪些 FFN 专家负责处理。
比如在图像理解中，无论是日常照片还是漫画图标，模型都能输出符合场景逻辑的解读。这种能力的提升源于对多模态数据关联性的持续学习，而非孤立的技术堆砌。
众所周知，英伟达之所以强大，除了 AI 加速卡本身性能出色，也与以 CUDA 适配开发工具生态有紧密关系。
百度也同步推出了 ERNIE 4.5 的配套开发工具：开源完整的开发工具链，包括 ERNIEKit 训练工具和 FastDeploy 推理部署工具，旨在降低开发者使用大模型的门槛，推动多模态 AI 技术的广泛应用。
这在本质上，也是在践行 “工具应当服务于人” 的技术伦理。
这些工具降低了模型后训练与部署的技术门槛，使开发者无需深入掌握底层原理，就能基于开源模型做二次开发。
百度此次开源并非孤立动作，早在今年 2 月，百度便公布了文心大模型 4.5 的开源计划。
从生态构建的角度看，文心大模型 4.5 的开源遵循了 “技术 - 用户 - 数据” 的正向循环逻辑。
生态的价值在于连接而非控制。
百度通过开源将模型的使用权交给开发者，后者基于模型开发的应用会产生新的数据反馈，这些数据又会反哺模型迭代。
比如零售企业用其开发商品图像识别工具时，积累的行业数据可帮助模型优化对商品特征的捕捉；教育机构的使用则可能提升模型对教学场景的理解，这种分布式的优化过程，比单一企业闭门研发更高效。
<h2 style="text-align: left">考量：平衡共享与可持续</h2>
飞桨平台与文心模型的 “双层开源”，进一步强化了生态的协同性。
飞桨作为底层框架，为模型提供了运行环境；文心模型作为上层应用载体，丰富了框架的使用场景。
此等结构符合美国生物学家马古利斯提出的 “内共生理论”——不同组件通过互利共生形成更强大的整体。
开发者在飞桨上调试文心模型时，不仅在使用工具，也在参与两个系统的协同优化，这种深度绑定比单纯的技术输出更能增强生态粘性。
但开源不意味着无边界的免费。
文心大模型 4.5 采用 Apache 2.0 协议，既允许商业使用，也要求保留原作者信息，这样的制度设计平衡了共享与权益保护。
实际上，从现实角度出发，清晰的产权界定是协作的前提。
明确的协议条款让开发者知道可以做什么、不能做什么，避免了技术应用中的法律风险，也为百度保留了商业变现的空间：通过云平台 API 服务、增值工具等方式实现可持续运营。
从成本角度看，开源是一种 “分布式研发” 策略。大模型的训练与迭代需要持续投入算力与人力，单一企业难以承担全部成本。
什么是好的管理呢？很简单，就是让合适的人做合适的事。
百度将模型开源后，全球开发者的智慧被纳入创新体系，有人优化推理速度，有人拓展应用场景。这样的分工，让每个参与者都能聚焦自己擅长的领域，间接降低了整体研发成本。
对行业而言，百度的开源模式提供了一种 “标准化基础上的差异化创新” 路径。
基础模型的统一，减少了重复研发的浪费；而开发者的二次创新，则能满足不同行业的个性化需求。
就像制造业侧重模型对工业图纸的理解，传媒行业则更关注文本生成的流畅性。这是一种 “共性技术 + 个性应用” 的模式，基础技术是基因，行业应用是其在不同环境中的表现型，丰富了技术的生态多样性。
文心大模型 4.5 的开源，为国内大模型产业提供了一种可参考的发展范式。
不同于闭源模式的黑箱操作，开源让技术能力变得可触摸、可验证。开发者可直接查看模型权重与推理代码，当模型做出决策时，使用者能追溯其逻辑链条，而非被动接受结果。
从全球视角看，此次开源也是国产大模型参与国际协作的一次尝试。
当前全球大模型领域存在多种发展路径：有的坚持闭源商用，有的选择部分开源，有的则完全开放。
文心大模型 4.5 的全量开源，相当于向全球开发者递出了技术名片，其开放姿态，有助于国产技术融入全球创新网络，在国际反馈中找准自身定位。
当然，开源并非万能钥匙。模型的性能最终仍需在实际应用中检验：在工业质检场景中能否精准识别微小缺陷，在政务服务中能否理解复杂的民生诉求，在教育辅助中能否贴合教学规律：这些真实场景的考验，比实验室的评测数据更有说服力。
百度开源文心大模型 4.5 的意义，或许不在于当下的技术突破，而在于其展现的发展思路：在开放中凝聚共识，在协作中解决问题。
当越来越多的开发者参与进来，当模型在更多行业场景中落地，大模型技术才能真正走出实验室，成为推动社会进步的实用工具，但这一过程没有捷径。

百度

百度-SW

在开放协作中探索技术演进。

- 百度开源文心大模型 4.5 系列，涵盖 10 款不同参数规模的模型。  
- 模型已在飞桨星河社区、HuggingFace 等平台提供下载，支持 API 服务。  
- 此举推动了大模型技术的落地与生态建设，促进开发者的广泛应用。

赛道 Hyper | 百度开源 ERNIE 4.5：策略是什么？