文心4.5系列模型，正式开源！

今天，我们文心4.5系列模型正式开源。现在可以在文心一言（https://yiyan.baidu.com）即刻体验最新开源能力。

文心4.5系列开源模型共10款，涵盖了激活参数规模分别为47B和3B的混合专家（MoE）模型（最大的模型总参数量为424B），以及0.3B的稠密参数模型。

文心 4.5 系列模型开源说明

本次发布的全部模型（包括预训练权重和推理代码）和项目均已完全开源至 Hugging Face（https://huggingface.co/baidu）、GitHub（https://github.com/PaddlePaddle/ERNIE）、飞桨星河社区（https://aistudio.baidu.com/overview），更多技术细节可以下载技术报告（ https://yiyan.baidu.com/blog/publication）查阅。

针对 MoE 架构，我们提出了一种创新性的多模态异构模型结构，通过跨模态参数共享机制实现模态间知识融合，同时为各单一模态保留专用参数空间。此架构非常适用于从大语言模型向多模态模型的持续预训练范式，在保持甚至提升文本任务性能的基础上，显著增强多模态理解能力。

文心4.5系列模型均使用飞桨深度学习框架进行高效训练、推理和部署。在大语言模型的预训练中，模型FLOPs利用率（MFU）达到47%。实验结果显示，该系列模型在多个文本和多模态基准测试中达到SOTA水平，在指令遵循、世界知识记忆、视觉理解和多模态推理任务上效果尤为突出。模型权重按照Apache 2.0协议开源，支持开展学术研究和产业应用。此外，基于飞桨提供开源的产业级开发套件，广泛兼容多种芯片，降低后训练和部署门槛。

文心4.5系列模型在Benchmark上效果体现

以下是文心4.5系列开源模型核心技术亮点：

多模态混合专家模型预训练

文心4.5通过在文本和视觉两种模态上进行联合训练，更好地捕捉多模态信息中的细微差别，提升在文本生成、图像理解以及多模态推理等任务中的表现。为了让两种模态学习时互相提升，我们提出了一种多模态异构混合专家模型结构，结合了多维旋转位置编码，并且在损失函数计算时，增强了不同专家间的正交性，同时对不同模态间的词元进行平衡优化，达到多模态相互促进提升的目的。

高效训练推理框架

为了支持文心4.5模型的高效训练，我们提出了异构混合并行和多层级负载均衡策略。通过节点内专家并行、显存友好的流水线调度、FP8混合精度训练和细粒度重计算等多项技术，显著提升了预训练吞吐。推理方面，我们提出了多专家并行协同量化方法和卷积编码量化算法，实现了效果接近无损的4-bit量化和2-bit量化。此外，我们还实现了动态角色转换的预填充、解码分离部署技术，可以更充分地利用资源，提升文心4.5 MoE模型的推理性能。基于飞桨框架，文心4.5在多种硬件平台均表现出优异的推理性能。

针对模态的后训练

为了满足实际场景的不同要求，我们对预训练模型进行了针对模态的精调。其中，大语言模型针对通用语言理解和生成进行了优化，多模态大模型侧重于视觉语言理解，支持思考和非思考模式。每个模型采用了SFT、DPO或UPO（Unified Preference Optimization，统一偏好优化技术）的多阶段后训练。

为方便广大开发者使用需求，以下是文心4.5系列开源模型的一站式使用指南，更多项目请查看文心大模型技术Blog：https://yiyan.baidu.com/blog/posts/ernie4.5

使用入门与最佳实践

基于多年飞桨开源技术与生态系统积累，此次文心4.5模型系列开源同步升级发布文心大模型开发套件ERNIEKit和大模型高效部署套件FastDeploy，为文心4.5模型及开发者提供开箱即用的工具和全流程支持。

基于飞桨的文心大模型开发套件ERNIEKit，快速掌握精调、对齐等大模型全流程开发

ERNIEKit 为用户提供预训练、全参精调（SFT）、直接偏好优化（DPO）、参数高效精调与对齐（SFT-LoRA/DPO-LoRA）、训练感知量化（QAT）和训练后量化（PTQ）等大模型全流程开发支持。

使用示例：

# 下载模型
huggingface-cli download baidu/ERNIE-4.5-0.3B-Paddle --local-dir baidu/ERNIE-4.5-0.3B-Paddle
# 一行命令启动训练
erniekit train examples/configs/ERNIE-4.5-0.3B/sft/run_sft_8k.yaml

要获取更详细的示例，包括使用LoRA的SFT、多GPU配置和高级脚本，请参阅ERNIEKit仓库中的examples文件夹。

ERNIEKit仓库

https://github.com/PaddlePaddle/ERNIE

基于飞桨的大模型高效部署套件FastDeploy，实现高性能、低门槛的多硬件推理部署

FastDeploy 提供了一行代码开箱即用的多硬件部署体验，使用接口兼容vLLM和OpenAI协议。针对旗舰模型提供了产业级多级负载均衡的PD分离部署方案，支持丰富的低比特量化推理、上下文缓存、投机解码等加速技术。

本地推理示例：

from fastdeploy import LLM, SamplingParams
prompt = "把李白的静夜思改写为现代诗"
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)
llm = LLM(model="baidu/ERNIE-4.5-0.3B-Paddle", max_model_len=32768)
outputs = llm.generate(prompt, sampling_params)

服务部署示例：

python -m fastdeploy.entrypoints.openai.api_server \    
    --model "baidu/ERNIE-4.5-0.3B-Paddle" \ 
    --max-model-len 32768 \ 
    --port 9904

有关详细文档、安装指南和高级配置选项，请参阅FastDeploy仓库。

FastDeploy仓库：

https://github.com/PaddlePaddle/FastDeploy

星河社区上线基于文心飞桨的最佳实践应用与项目

为方便社区开发者适配和拓展应用场景，我们提供了文心大模型多种能力的技术实践手册，涵盖对话、检索增强、知识库问答以及 SFT/DPO 模型微调示例，欢迎大家在星河社区应用中心与精品项目中使用与探索！

开源生态服务与活动

截至2025年4月，飞桨文心已累计服务超2185万开发者、67万家企业，创建模型达110万。接下来，我们将联合Hugging Face等30+开源社区推出20节「文心飞桨・开源系列公开课」；携手国网、工行、北京大学、浙江大学、厦门大学等产业导师与高校名师打造「文心名师系列・公开课」；在星河社区AI Studio滚动上线包含基础概念、实操技巧、进阶学习的「动手学大语言模型」系列课程、赛事等；同期举办50+场覆盖各行业、高校、开发者的线下「文心开源开放日活动」；同时，在北京、上海、深圳等10余个城市启动「文心开源服务站」，为文心飞桨应用开发和科研创新提供一揽子生态服务支持。