冯妍 科技日报记者 王春
近日，百度发布并上线原生全模态大模型文心5.0正式版（以下简称文心5.0）。该模型参数达2.4万亿，采用原生全模态统一建模技术，具备全模态理解与生成能力，支持文本、图像、音频、视频等多种信息的输入与输出。在40余项权威基准的综合评测中，文心5.0的语言与多模态理解能力超越Gemini-2.5-Pro、GPT-5-High等模型，稳居国际第一梯队；其图像与视频生成能力与垂直领域专精模型相当，整体处于全球领先水平。
创新应用原生全模态技术提升模型能力
什么是原生全模态？
人类交流的时候总是边想、边说、边打手势，还要边观察和倾听对方的表现与回应，大模型也一样要将文本、图像、视频、音频等多种不同的数据统合在一起，这就是多模态数据处理。业界多数的作法是将这些数据分开来进行分析，有的部分专管听，有的部分专管看，有的部分专管理解，后期再进行融合。
“与‘后期融合’的多模态方案不同，文心5.0的技术路线采用统一的自回归架构进行原生全模态建模，将文本、图像、视频、音频等多源数据在同一模型框架中进行联合训练。”百度集团副总裁、深度学习技术及应用国家工程研究中心副主任吴甜介绍。文心5.0能够使多模态特征在统一架构下充分融合并协同优化，实现原生的全模态统一理解与生成。
此外，文心5.0采用超大规模混合专家结构，具备超稀疏激活参数，激活参数比低于3%，在保持模型强大能力的同时，有效提升推理效率。研发基于大规模工具环境，合成长程任务轨迹数据，并采用基于思维链和行动链的端到端多轮强化学习训练，显著提升了模型的智能体和工具调用能力。
目前，个人用户已可在文心App、文心一言官网体验文心5.0大模型，企业与开发者可通过百度千帆平台对其进行调用。
百度千帆平台是以智能体为核心的一站式企业级服务平台。智能体是大模型在产业场景落地的最佳形态之一。百度千帆平台产品负责人张婷介绍，平台可以为企业提供全周期、稳定支持多场景业务的运行环境，显著降低企业智能体创新门槛。目前，百度千帆平台上已累计开发超130万个智能体，以“百度AI搜索”为代表的工具日均调用量已突破千万次。百度相关负责人介绍，上海辞书出版社通过百度千帆将文心大模型引入“智慧修订”场景，辅助编辑完成严谨的事实性校对，使审校效率提升3倍，准确率提升80%，让专业人才从烦琐的核查中解放出来，回归创造性工作。
多项技术助模型“跑得稳、答得对、用得起”
基于文心基础大模型，百度构建了矩阵模型和专精模型。矩阵模型面向产品级应用和通用场景快速落地，包括文心Lite模型、视频大模型和语音大模型；专精模型面向行业应用和垂直场景，包括搜索闪电专精模型、电商蒸汽机模型、文心数字人大模型及行业大模型。
百度应用模型研发部负责人贾磊在1月22日举办的“百度文心Moment大会”上分享了多项最新的模型技术。贾磊说，希望让模型在真实应用场景里“跑得稳、答得对、用得起”。
如“5分钟超越真人的直播技术”，通过对目标音色的少量采样，经过脸谱和化妆，通过检索增强匹配不同文体和场景的韵律模式，使合成语音具备直播带货所需的情绪、节奏与感染力。又如“实时交互数字人技术”，采用三态Token联动架构，实现文本、语音、视频的流式控制，突破传统数字人三个模态串联的制作模式。在此基础上，系统自动完成动作衔接、动作编排与状态重组，并由声音Token实时驱动表情与口型，输出三态合一的视频流，具有低延迟、低成本和高表现力的特点。
全球AI行业经历过去几年快速发展，正进入一个新的快车道，虽然以对话或文字输入为主的聊天机器人仍是主流形式，但AI如何应用于真实世界与行业，从而进一步产生价值，已成为行业探索的重点方向。包括文心5.0在内的诸多创新模型技术，正助力AI应用走进真实行业与复杂场景，提供更高效的解决方案。
网友评论
