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"。
从参数覆盖到工具适配
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。
考量：平衡共享与可持续
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。
股票配资业务提示：文章来自网络，不代表本站观点。
