当 AI 技术从实验室走向千行百业，多模态交互正成为打破数字壁垒的关键。6 月 30 日，百度文心 4.5 系列模型重磅开源，其中ERNIE-4.5-VL 视觉语言模型（ERNIE-4.5-VL-28B-A3B；ERNIE-4.5-VL-424B-A47B）以卓越的图文视频理解能力，支持 100 + 语言交互，为智能应用开辟全新可能。

先来了解下ERNIE-4.5-VL 视觉语言模型的技术亮点。

小参数，大能量：

效率与性能的双重突破

实验结果表明，轻量级视觉语言模型ERNIE-4.5-28B-A3B的激活参数显著减少，但与Qwen2.5-VL-7B和Qwen2.5-VL-32B相比，其在大多数基准测试中仍具有竞争力，甚至表现更优。模型支持128K 上下文长度，结合「思考模式」与「非思考模式」双选项，既能快速响应基础任务，又能深度破解复杂问题，灵活适配从日常场景到专业领域的全场景需求。

非思考模式下，ERNIE-4.5-VL模型具备强大的视觉感知能力与知识准确性。ERNIE-4.5-VL-424B-A47B在CountBench、CV-Bench和RealWorldQA等基准测试中取得高分；ERNIE-4.5-VL展现出对中国视觉知识的深刻理解，其在CCBench上的出色表现便是证明。

思考模式下，ERNIE-4.5-VL-424B-A47B在MathVista、MMMU和VisualPuzzle等基准测试中超越OpenAI-o1。

详情查看技术报告：

https://ernie-blog-dev.now.baidu.com/blog/publication/ERNIE_Technical_Report.pdf

全场景赋能：

跨模态智能触手可及

ERNIE-4.5-VL 的跨模态能力覆盖以下核心任务场景：

• 文档处理「一键通」：拍照/扫描的文档理解、医疗报告结构化信息抽取、金融/货运等单据智能处理等场景，彻底告别繁琐录入。

• 视频管理「智能化」：智能视频剪辑与素材管理、自动化高光集锦生成、智能安防与事后追溯等场景，让视频从「存储」变为「会说话的资产」；

• 文化传承「活起来」：博物馆学术研究、博物馆文物导览、古籍数字化等场景，让千年文明触手可及；

• 学习解题「超轻松」：从 K12 拍照解题、公务员图形题解析，到网络梗图的趣味解读，让学习与生活更高效；

• 生活服务「更懂你」：现实/虚拟人物科普、旅游景点导览、动植物专业科普等，让 AI 成为贴心生活助手；

• 创意生成「个性化」：营养食物均衡分析、穿着搭配建议生成等，基于图像的创意输出，让生活更有品质。

实例印证：

智能看得见、用得着

PART 01

OCR解析与文档理解

• 支持多语言文档解析，提取关键信息并结构化输出；

• 高精度识别复杂格式文本，关联上下文语义。

PART 02

视频内容时序定位

• 支持视频内容理解，视频中的文字提取、翻译；

• 根据视频内容创作脚本、字幕；

• 视频特定事件时间点精准定位。

PART 03

中国文化理解

• 精准识别小篆、隶书、楷书、行书等各类传统字体；

• 专业识别文物类型、年代、工艺，解读其历史文化与艺术价值；

• 细致识别图像中的传统建筑、服饰等中国文化元素，挖掘象征意义。

PART 04

学科推理

• 文科图文题精解，融合历史地图、社会调查图表等图像信息与文史知识剖析问题。

• 理科图示题巧析，结合几何图形、实验装置图等图示和数理原理推导解题思路。

• 艺术图像题妙答，依据绘画作品、音乐乐谱等艺术图像和相关理论分析解答。

（左右滑动查看更多

）

PART 05

视觉推理

• 归纳推理：识别图形序列规律，准确预测缺失项

• 空间感知：从二维图像中推断物体的相对位置、遮挡关系及可能的三维结构

• 复杂推理：基于单张或多张图像中的显性与隐性线索，经过多轮中间推断得到最终答案

PART 06

常识推理

• 精准识别文物、名人，实现准确的的常识链推理。

• 根据景观轮廓、建筑风格或自然特征快速识别地标，并推断所在城市或国家。

• 通过外形、颜色、纹理等特征精准辨认动植物种类。

PART 07

图像条件创意生成

根据输入图像，生成与视觉内容语义相关的创意内容。

有奖征集

@文心友友们

多模态大模型的真正价值，在于对真实场景的适配能力。不妨结合你的工作与生活场景，用实际数据测试 ERNIE-4.5-VL 的硬核实力：

• 职场人：用日常经手的英文合同、带复杂图表的财务报表拍照上传，观察它能否精准提取关键信息并生成结构化数据，对比人工处理的效率差；

• 教育工作者：选取学生常出错的数学应用题、公务员考试图形推理真题，测试它的解题步骤是否清晰，能否举一反三给出同类题型；

• 文化爱好者：拍摄博物馆参观时的文物照片（如青铜器铭文、古画题跋），验证它对文字的识别精度和背后历史文化解读的专业性；

• 内容创作者：用自己拍摄的 vlog 片段或赛事录像，指令其自动生成字幕、剪辑高光片段，看看是否符合你的创作预期。

征集内容：

无论你是企业主体/职场人/自由职业者/创业团队，欢迎分享你使用ERNIE-4.5-VL实现的应用成果，不限于图/视频/链接/demo等形式，我们也欢迎有真实业务场景的企业一起共建共创产业应用。

提交地址：

https://www.wjx.top/vm/htiOklF.aspx#

奖品清单：

筛选30位优质应用成果赠送以下奖品。

▎相关链接

■ 文心4.5系列模型下载

• Hugging Face：

https://huggingface.co/baidu

• 飞桨星河社区：

https://aistudio.baidu.com/modelsoverview?sortBy=weight&q=ernie

• GitHub：

https://github.com/PaddlePaddle/ERNIE

• 魔搭社区：

https://modelscope.cn/models/dengcao/ERNIE-4.5-VL-28B-A3B-Paddle

■ 文心4.5系列模型训练部署

• ERNIEKit：

https://github.com/PaddlePaddle/ERNIE/blob/develop/docs/erniekit.md

• FastDeploy：

https://github.com/PaddlePaddle/FastDeploy/

关注【飞桨PaddlePaddle】公众号

获取更多技术内容~