賽道 Hyper | 百度開源 ERNIE 4.5：策略是什麼？

作者：周源/華爾街見聞

6 月 30 日，百度正式開源文心大模型 4.5 系列（ERNIE 4.5），涵蓋 10 款不同參數規模的模型，包括 47B（470 億）、3B（30 億）激活參數的混合專家（MoE）模型及 0.3B（3 億）參數的稠密型模型，預訓練權重與推理代碼均完全開放。

目前，這些模型已可在飛槳星河社區、HuggingFace 等平台下載，百度智能雲千帆大模型平台也同步提供了 API（應用程序編程接口：Application Programming Interface）服務。

這一動作，延續了科技領域 “開放協作” 的傳統脈絡，也為大模型技術的落地提供了新的可能性。

但百度創始人、董事長兼 CEO 李彥宏曾在 2024 年的 WAIC（世界人工智能大會：World Artificial Intelligence Conference）上，認為開源大模型是 “智商税”。

從參數覆蓋到工具適配

百度此次開源的 10 款模型，形成了從 0.3B 到 47B 參數的梯度覆蓋，囊括基礎文本模型和視覺多模態模型（VLM）。除最小的 0.3B 模型外，其餘模型都採用異構多模態 MoE（專家混合模型：Mixture of Experts）架構。

對於算力有限的中小開發者，0.3B 參數的稠密型模型可降低部署門檻，MoE 模型則能滿足企業級複雜任務的需求。這種分層供給思路，讓不同資源條件的使用者都能找到適配的工具。

與常規的單模態 MoE 不同，此次百度開源的 ERNIE 4.5 模型是一種異構混合型，也就是通過 “分而治之” 策略提升模型性能的人工智能架構：將多個不同類型的專家模塊集成在一起，每個輸入僅激活部分相關的專家模塊，從而在不顯著增加計算量的前提下大幅提升模型容量。

這種架構的核心思想是將複雜任務分解給多個專門的 “專家模型”（Expert）處理，再通過門控網絡（Gating Network）動態選擇最優專家或組合專家輸出，從而在保持模型規模可控的同時，提升模型的表達能力和效率。

相對而言，文心大模型 4.5 系列的技術特點，集中體現在多模態能力的優化上。

作為原生多模態模型，ERNIE 4.5 對圖像、音視頻的理解能力並非簡單疊加，而是基於異構 MoE 架構實現的模態融合，沒有盲目追求單一指標的突破，而是在文本任務性能穩定的基礎上，逐步增強多模態處理能力。

觀察 ERNIE 4.5 的技術結構可以發現：ERNIE 4.5 的異構 MoE 架構包含文本專家、視覺專家和共享專家三類 FFN 專家。

FFN 專家是指混合專家模型（MoE）中，由前饋神經網絡（Feed-Forward Neural Network）構成的專家模塊。

每個 FFN 專家都可以看作是一個獨立的子模型，能處理特定類型或範圍內的數據。

模型會通過門控網絡或路由機制來確定對於每個輸入 token，應該由哪些 FFN 專家負責處理。

比如在圖像理解中，無論是日常照片還是漫畫圖標，模型都能輸出符合場景邏輯的解讀。這種能力的提升源於對多模態數據關聯性的持續學習，而非孤立的技術堆砌。

眾所周知，英偉達之所以強大，除了 AI 加速卡本身性能出色，也與以 CUDA 適配開發工具生態有緊密關係。

百度也同步推出了 ERNIE 4.5 的配套開發工具：開源完整的開發工具鏈，包括 ERNIEKit 訓練工具和 FastDeploy 推理部署工具，旨在降低開發者使用大模型的門檻，推動多模態 AI 技術的廣泛應用。

這在本質上，也是在踐行 “工具應當服務於人” 的技術倫理。

這些工具降低了模型後訓練與部署的技術門檻，使開發者無需深入掌握底層原理，就能基於開源模型做二次開發。

百度此次開源並非孤立動作，早在今年 2 月，百度便公佈了文心大模型 4.5 的開源計劃。

從生態構建的角度看，文心大模型 4.5 的開源遵循了 “技術 - 用户 - 數據” 的正向循環邏輯。

生態的價值在於連接而非控制。

百度通過開源將模型的使用權交給開發者，後者基於模型開發的應用會產生新的數據反饋，這些數據又會反哺模型迭代。

比如零售企業用其開發商品圖像識別工具時，積累的行業數據可幫助模型優化對商品特徵的捕捉；教育機構的使用則可能提升模型對教學場景的理解，這種分佈式的優化過程，比單一企業閉門研發更高效。

考量：平衡共享與可持續

飛槳平台與文心模型的 “雙層開源”，進一步強化了生態的協同性。

飛槳作為底層框架，為模型提供了運行環境；文心模型作為上層應用載體，豐富了框架的使用場景。

此等結構符合美國生物學家馬古利斯提出的 “內共生理論”——不同組件通過互利共生形成更強大的整體。

開發者在飛槳上調試文心模型時，不僅在使用工具，也在參與兩個系統的協同優化，這種深度綁定比單純的技術輸出更能增強生態粘性。

但開源不意味着無邊界的免費。

文心大模型 4.5 採用 Apache 2.0 協議，既允許商業使用，也要求保留原作者信息，這樣的制度設計平衡了共享與權益保護。

實際上，從現實角度出發，清晰的產權界定是協作的前提。

明確的協議條款讓開發者知道可以做什麼、不能做什麼，避免了技術應用中的法律風險，也為百度保留了商業變現的空間：通過雲平台 API 服務、增值工具等方式實現可持續運營。

從成本角度看，開源是一種 “分佈式研發” 策略。大模型的訓練與迭代需要持續投入算力與人力，單一企業難以承擔全部成本。

什麼是好的管理呢？很簡單，就是讓合適的人做合適的事。

百度將模型開源後，全球開發者的智慧被納入創新體系，有人優化推理速度，有人拓展應用場景。這樣的分工，讓每個參與者都能聚焦自己擅長的領域，間接降低了整體研發成本。

對行業而言，百度的開源模式提供了一種 “標準化基礎上的差異化創新” 路徑。

基礎模型的統一，減少了重複研發的浪費；而開發者的二次創新，則能滿足不同行業的個性化需求。

就像製造業側重模型對工業圖紙的理解，傳媒行業則更關注文本生成的流暢性。這是一種 “共性技術 + 個性應用” 的模式，基礎技術是基因，行業應用是其在不同環境中的表現型，豐富了技術的生態多樣性。

文心大模型 4.5 的開源，為國內大模型產業提供了一種可參考的發展範式。

不同於閉源模式的黑箱操作，開源讓技術能力變得可觸摸、可驗證。開發者可直接查看模型權重與推理代碼，當模型做出決策時，使用者能追溯其邏輯鏈條，而非被動接受結果。

從全球視角看，此次開源也是國產大模型參與國際協作的一次嘗試。

當前全球大模型領域存在多種發展路徑：有的堅持閉源商用，有的選擇部分開源，有的則完全開放。

文心大模型 4.5 的全量開源，相當於向全球開發者遞出了技術名片，其開放姿態，有助於國產技術融入全球創新網絡，在國際反饋中找準自身定位。

當然，開源並非萬能鑰匙。模型的性能最終仍需在實際應用中檢驗：在工業質檢場景中能否精準識別微小缺陷，在政務服務中能否理解複雜的民生訴求，在教育輔助中能否貼合教學規律：這些真實場景的考驗，比實驗室的評測數據更有説服力。

百度開源文心大模型 4.5 的意義，或許不在於當下的技術突破，而在於其展現的發展思路：在開放中凝聚共識，在協作中解決問題。

當越來越多的開發者參與進來，當模型在更多行業場景中落地，大模型技術才能真正走出實驗室，成為推動社會進步的實用工具，但這一過程沒有捷徑。