提前免费!百度连发两款模型,大家实测：能听歌看影片，还会蛐蛐人

see122

机器之心原创

编辑：陈陈、杨文

AI 竞争进入白热化阶段。这次，轮到百度给自家大模型上强度。

刚刚，百度一口气官宣了两款大模型，分别是文心大模型 X1 和文心大模型 4.5

那么，这两款大模型有啥区别呢？

这么说吧，文心 X1 是一款深度思考模型，具备更强的理解、规划、反思、进化能力，并支撑多模态，尤其是多工具调用，更是它的一大特色。

而文心 4.5 号称新一代原生多模态基础大模型，最擅长的就是多模态理解，语言能力也更精进。

相比于之前版本，文心 4.5 不仅在理解、生成、逻辑、记忆能力方面上了一个台阶，还在去幻觉、逻辑推理、代码能力上有了全面提升。

目前，这两款模型已在文心一言官网、百度搜索、文小言 APP 等产品上线。（体验网址：https://yiyan.baidu.com/）

最关键的是，它们全都免费！

要知道，前段时间百度还对外宣布，文心一言将从 2025 年 4 月 1 日 0 时起开始全面免费。

没想到，这次百度直接将这个时间点提前了整整半个月。

同时，这两款模型的 API 价格也已出炉。

开发者现可在百度智能云千帆大模型平台上直接调用文心大模型 4.5 API，输入价格低至 0.004 元 / 千 tokens，输出价格低至 0.016 元 / 千 tokens；文心大模型 X1 也即将在千帆平台上线，输入价格低至 0.002 元 / 千 tokens，输出价格低至 0.008 元 / 千 tokens。

百度之所以能把文心 X1 模型的 API 价格打下来，是因为他们通过飞桨和文心联合优化，实现从压缩、推理、服务部署的全链路极致调优，大幅降低文心 X1 推理成本。

具体来说，模型压缩方面，通过分块 Hadamard 量化、面向长序列的注意力机制量化等实现深度压缩；推理引擎方面，通过低精度高性能算子优化、动态自适应投机解码、神经网络编译器实现推理加速。系统层面，通过框架和芯片协同优化、分离式部署架构、高效资源调度实现系统级优化。

一手评测

俗话说得好，是骡子是马，还得拉出来遛遛。

接下来，大家将从多模态理解、文本创作、逻辑推理以及工具调用等多个维度，对这俩大模型来一波真刀真枪的实战。

文心 X1：会脑筋急转弯，还能调动多个工具

作为百度最新深度思考模型，文心 X1 有三大绝活：嘴毒（敢锐评）、脑子好使（推理能力强），而且善用工具（多工具调用）。

相较于之前版本，文心 X1 显得叛逆得多。它不愿做「端水大师」，遇事总是直言不讳，有观点有态度。

比如大家让它用贴吧的口吻，锐评一下小红书、知乎、微博和贴吧。

它一上来就毫不客气，怒喷小红书是《人类高质量装 X 指南》，知乎整天标榜精英范儿，微博热搜天天吵得像菜市场，贴吧则是人均键盘侠。

之所以说文心 X1 脑子好使，是因为它的逻辑推理能力有了显著提升，甚至还「懂」脑筋急转弯的奇葩脑回路。

比如「狐狸为什么容易摔跤」，它既能从科学的角度进行说明，还能识别出背后的谐音梗。

要说文心 X1 最大的特色，便是能调用多种工具。

大家只需在聊天框开启「联网搜索」和「调用工具」两个按钮，就能一下子综合高级搜索、文档问答、图片理解、AI 绘图、代码说明器、百度学术检索、商业信息查询等工具。

举个例子。

大家上传一张甜品的照片，然后让它先容制作工序，并生成一份 PDF 文件。

文心 X1 接连调用了图片理解、联网搜索和代码说明器三个工具。

最终它真的生成了一份草莓蓝莓煎饼塔详细工序的 PDF 文档。

文心 X1 的完整回答

文心 X1 生成的 PDF 文件名及内容

文心 4.5：学会了听歌、看影片

如果说文心 X1 更聪明的话，那么文心 4.5 就是更全能。

作为百度自主研发的新一代原生多模态基础大模型，文心 4.5 不仅能看懂梗图，还能识别音视频。

前段时间 Grok3 发布时，马斯克激动地在 X 上发了张梗图，对着GOOGLE、OpenAI 和 Meta 就是一顿贴脸开大。

大家就将这张梗图丢给文心 4.5，输入 Prompt：这张图片暗含着什么意思？

它敏锐捕捉到了图片背后的幽默和讽刺含义：四只企鹅代表了大洋彼岸的四家科技巨头，其中三只企鹅向 Grok 企鹅敬礼，暗示了 Grok 在某一阶段处于领先优势。

对于大模型来说，识别梗图早就不是什么新鲜事了，文心 4.5 最拿手的还得是音视频的理解分析。

当大家听到一首喜欢的音乐，但就是死活想不起来歌名时，大家只需录一小段音频，投喂给文心 4.5，它就能给出这首歌的一切。

音频试听链接：https://mp.weixin.qq.com/s/XKim3L7__c9VXJ2bj4FYhA

同理，大家还可以上传一段不超过 20M 的视频片段，让它挖出背后各种八卦。

比如影片《闻香识女人》中这段经典的舞蹈，文心 4.5 不仅识别出影片名字、女主饰演者，甚至连背景音乐都扒出来了。

弱智吧，江湖人称「青龙山皇家疗养院」，大模型智商高不高，就看能不能 hold 得住这些神题。

比如：为什么只有电信诈骗，没有联通诈骗呢？

文心 4.5 从术语的通用性聊到了历史渊源，又从法律定义聊到了社会认知，把这个略显无厘头的问题说明得清清楚楚、明明白白。

此外，文心 4.5 在搜索方面也有了更大的进步。

就拿最近大火的网络热梗「馕言文」来说，它找到了 8 条参考信源，除了百家号外，还包括新京报网、Tencent网等其他来源。

而且，文心 4.5 经过分析总结给出回答后，还在末尾附上了相关视频以供参考。

核心技术大揭秘

经过实测，大家可以看出百度最新发布的两个模型已经出现了质的飞跃。

多项技术加持的文心 X1

最近一段时间，AI 圈焦点无疑是关于「Scaling Law 是否撞墙？」的讨论，这个曾经被视作大模型发展的第一性原理，如今却遭遇了巨大挑战。

面对大模型性能提升的边际效益递减问题，测试时计算（Test-Time Compute）、强化学习等策略成为一种有效的应对方式。

百度在强化学习方面也下足了功夫，发布的推理模型文心 X1 创新性地应用了递进式强化学习训练方法。采用这种方法可以全面提升模型在创作、搜索、工具调用、推理等场景的综合应用能力。

比如上文大家体验的「输入一张图片，要求文心 X1 根据提示输出 PDF 格式的文件」，就离不开这种训练方式。

现阶段，推理模型几乎都采用了一种称为思维链（Chain of Thought，CoT）的技术，与传统的直接从输入到输出的映射不同，思维链通过显式展示中间推理过程，帮助模型更好地理解和解决复杂问题。

更进一步的，文心 X1 具备 “长思维链”，采用了思维链和行动链耦合的端到端训练方式。思维链使得模型在解决问题时，一步一步写下思考过程，就像大家做数学题时，需要写下解题步骤一样。而行动链是模型在思考过程中决定采取的行动，比如搜索信息、调用工具等。

在端到端训练中，文心 X1 不是只学习思考或者只学习行动，而是把思考和行动结合起来，通过这种方式，模型可以根据每次行动的结果反馈，调整自己的思考和行动策略，最终显著提升在复杂任务中的表现。

最后，文心 X1 还采用了多元统一的奖励系统，这个系统就像一个「超级裁判」，用来评价模型做得好不好。这个「裁判」在评估过程中结合了多种不同的奖励机制，能够从多个角度给模型反馈。这样的话，模型在训练过程中就能得到更准确、更可靠的引导，为模型训练提供更加鲁棒的反馈。

文心 4.5 用到的「法宝」

至于文心 4.5，背后的技术也不容小觑。

首先是FlashMask 动态注意力掩码。FlashMask 是由百度飞桨团队在论文《FlashMask: Efficient and Rich Mask Extension of FlashAttention》中提出的一种创新的注意力掩码优化技术，旨在解决 Transformer 类大模型中注意力掩码计算的冗余和存储开销问题。FlashMask 通过列式稀疏掩码表示方法，将传统的二维稠密掩码矩阵转换为一维的行索引区间表示，从而显著降低了存储复杂度，从 O (N^2) 降低到 O (N)。极致的加速了大模型训练效率，尤其是长序列场景下的训练效率。

相关论文已入选顶会 ICLR 2025 。

论文地址：https://arxiv.org/abs/2410.01359

其次就是多模态异构专家扩展技术。该技术是一种结合多模态数据处理与混合专家模型（MoE）的创新架构，旨在通过针对不同模态特点构建的异构专家模块，解决多模态融合中的梯度不均衡问题，提升模型的多模态融合能力。多模态异构专家扩展技术在多个应用场景中展现了显著优势，例如多模态问答任务，这种技术能够更高效地处理复杂的多模态数据。

文心 4.5 还采用了时空维度表征压缩技术，这是一种把图片和视频里的关键信息进行浓缩的方法。在不丢失重要细节的情况下，在时空维度对图片和视频的语义表征进行高效压缩，让这些数据变得更小、更高效。这样一来，训练多模态模型（也就是同时处理文字、图片、视频等多种数据的模型）时就能更快、更省资源。

前文大家已经提到，文心 4.5 幻觉问题得到了极大的提升，而这离不开百度采用的基于常识点的大规模数据构建技术。常识分级采样优先把重要的、核心的常识挑出来，接着把挑出来的常识点进行压缩，去掉多余的部分，把相关的常识融合在一起。对于那些比较少见、不太好找的常识点，专门合成一些相关内容，确保这些重要的小众常识也不会被遗漏。这样一来，模型幻觉降低。

此外，文心 4.5 还用到了基于自反馈的 Post-training 技术。这是一种通过多种评估方式不断优化模型的后训练方法。简单来说，它让模型在训练过程中不断反思自己的表现，根据不同的评价标准调整自己，从而让模型变得更稳定、更可靠。这种技术还能显著提升预训练模型理解人类意图的能力，让模型的回答更符合人类的希望。

那么文心 4.5 与其他模型对比结果如何呢？

下图展示了文心 4.5 与 GPT-4o 在多模态性能上的对比。可以看出，文心 4.5 在大多数测试基准上的表现优于 GPT-4o，尤其是在 OCRBench、MathVista、DocVQA 和 MVBench 上，两者差距较为明显。GPT-4o 仅在 MMMU 上的表现相对较好，但在其他基准上的表现不如文心 4.5。在平均值上，文心 4.5 的得分略高于 GPT-4o，显示出文心 4.5 在整体性能上的优势。

下图比较了四个不同模型（文心 4.5、DeepSeek-V3-Chat、GPT-4o 和 GPT-4.5）在文本测试基准上的性能对比。结果显示文心 4.5 在大多数测试基准上的表现优于其他模型，尤其是在 C-Eval、CMMLU、CMath 和 CLUEWSC 等基准上。

RAG 相关技术

RAG 检索增强生成（Retrieval Augmented Generation），已经成为当前最火热的 LLM 应用方案， 是衡量大模型优劣的重要维度。

现在大模型在各种任务上虽然很强大，但也有缺点，比如：幻觉现象导致 LLM 有时会「瞎编」一些不存在的信息；还有大模型掌握的信息并不是最新常识，常识系统更新很慢；此外，生成的内容缺乏透明度等一系列问题，导致大模型在实际应用中并不是很理想。

RAG 通过检索最新的、相关的常识，解决了上述问题，让生成的内容更可靠、更准确。

百度研发的「理解 - 检索 - 生成」协同优化检索增强技术，提升了大模型技术及应用的效果，能够生成准确率更高、时效性更好的答案。而且，百度在 RAG 技术上具备中文深度理解、多模态检索、垂直领域定制化以及实时数据整合能力等优势，在中文互联网、企业服务、政务医疗等场景中更具实用性和竞争力。

此外，在国内外主流大模型的 RAG 能力实测中，百度文心一言综合表现最佳。

虽然传统的 RAG 已经基本解决了大模型在文本生成层面的幻觉问题，但在多模态领域，尤其是图片生成领域，传统 RAG 已经远远不够用了。

比如，大家经常看到生成的图片出现明显的逻辑错误等问题。即使结果符合要求，但看上去也是一股 AI 味，这些问题严重影响了 AI 生成图像的实用性和可信度。

正如百度创始人、董事长兼首席实行官李彦宏在百度世界 2024 大会上所提出的：「文字层面的 RAG 已经做得很好，基本让大模型消除了幻觉；但在图像等多模态方面，和 RAG 的结合还不够，这也是百度希翼重点突破的方向。」

在这种情况下，百度自研了一种检索增强的文生图技术 iRAG（image based RAG），旨在解决传统文生图系统中常见的幻觉问题，提升生成图像的准确性和实用性。

在拥有亿级的图片资源和强大的基础模型能力，百度 iRAG 将这些优势相结合，避免了传统文生图系统中一眼假的问题，生成的图像不仅超真实，还具备极高的准确性和可靠性。

结语

这次，百度一口气上线了两款大模型，总算扬眉吐气了一回。

近十年来，百度一向舍得在研发上砸钱。截至目前，百度已累计投入超过 1800 亿元。

如今来看，真金白银没有白花。


来源：网易