百度开源 ERNIE-4.5-VL-28B-A3B-Thinking 发布

百度开源多模态思考模型 ERNIE-4.5-VL-28B-A3B-Thinking 发布。 - 模型以 Apache-2.0 协议开源,提供完整权重与推理代码。 - 宣称可商用,权重和推理代码公开。 - 标注为 Thinking 版本,引入“图像思考”(自动放大/缩小/裁切并多步推理)。 - 仅 3B 激活参数设计,但模型名含 28B 标识。 - 支持多模态任务:图文、视频、文档理解与推理。 - 在部分多模态指标上接近 Gemini-2.5-Pro 与 GPT-5-High。 - 文档/图表理解任务据称略超竞品。 - 模型已上传到 HuggingFace、GitHub 与飞桨社区并提供下载链接。 - 官方测试案例显示对图像细节聚焦与多步视觉推理能力较强。
Key insights
开源与许可:Apache-2.0、权重与推理代码公开
报道指出 ERNIE-4.5-VL-28B-A3B-Thinking 以 Apache-2.0 许可开源,包含完整模型权重与推理代码,并明确可用于商用。开源包已上传至 HuggingFace、GitHub 与飞桨社区,提供下载和部署示例,便于开发者和企业直接复现与二次开发,从可用性角度降低上手门槛并支持商业落地。
模型规模与设计:3B 激活参数的高效多模态架构
多篇报道强调该 Thinking 版本采用三十亿(3B)激活参数的高效设计,目标在较小参数规模下实现高精度视觉理解与跨模态推理。虽然模型名称含“28B”,但实际推理激活参数仅 3B,侧重降低部署与推理成本,便于在资源受限场景(如手机)部署并保持较快响应速度。
图像思考能力:自动放大、聚焦细节与多步视觉推理
ERNIE-4.5-VL-28B-A3B-Thinking 引入所谓的“图像思考”能力,能主动对图片进行放大、缩小、裁切并聚焦细节以进行多步视觉推理。官方给出的示例显示模型可在观察局部细节后做出更精确的图像理解与答案生成,并据称在图文与视频理解任务中表现稳定。
性能对比:部分任务接近或超越主要竞品
发布方及社区测试显示,在多模态理解指标上该模型与 Gemini-2.5-Pro 与 GPT-5-High 接近;在文档与图表理解任务上有报道指出其表现略优。多条信息来自官方测试案例与社区评估,但完整公开基准细节需读者自行核验开源仓库中的评测代码与数据。
可获取性与社区部署渠道
多条报导列出模型已上传的渠道与下载路径,包括 HuggingFace、GitHub 与飞桨星河社区,并提供示例推理代码与部署说明,便于开发者在不同生态中复现与测试模型表现。