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 等平臺下載，百度智能云千帆大模型平臺也同步提供了 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 " 智商稅 "。

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，其余模型都采用異構多模態 MoE（專家混合模型：Mixture of Experts）架構。

對于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復雜任務的需求。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復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?？煽氐耐瑫r，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、音視頻的理解能力并非簡單疊加，而是基于異構 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，能處理特定類型或范圍內的數據。

模型會通過門控網絡或路由機制來確定對于每個輸入 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。這種能力的提升源于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系。

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 " 工具應當服務于人 " 的技術倫理。

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

百度此次開源并非孤立動作，早在今年 2 月，百度便公布了文心大模型 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 - 用戶 - 數據 " 的正向循環邏輯。

生態的價值在于連接而非控制。

百度通過開源將模型的使用權交給開發者，后者基于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征的捕捉；教育機構的使用則可能提升模型對教學場景的理解，這種分布式的優化過程，比單一企業閉門研發更高效。

考量：平衡共享與可持續

飛槳平臺與文心模型的 " 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。

但開源不意味著無邊界的免費。

文心大模型 4.5 采用 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么、不能做什么，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：通過云平臺 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 " 分布式研發 " 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。

什么是好的管理呢？很簡單，就是讓合適的人做合適的事。

百度將模型開源后，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，減少了重復研發的浪費；而開發者的二次創新，則能滿足不同行業的個性化需求。

就像制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范式。

不同于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，相當于向全球開發者遞出了技術名片，其開放姿態，有助于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，開源并非萬能鑰匙。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復雜的民生訴求，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說服力。

百度開源文心大模型 4.5 的意義，或許不在于當下的技術突破，而在于其展現的發展思路：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。