ERNIE-4.5-VL-28B-A3B-Thinking: новый этап развития мультимодального ИИ

Компания Baidu представила усовершенствованную мультимодальную ИИ-модель ERNIE-4.5-VL-28B-A3B-Thinking. Новая версия демонстрирует высокую производительность и расширенные способности в области визуально-языкового мышления, более глубокое понимание изображений и текста, а также повышенную эффективность обучения с подкреплением.

Модель имеет 48 миллиардов параметров (3 миллиарда активных за счет MoE), построена на базе архитектуры ERNIE-4.5 и прошла расширенное обучение с использованием больших массивов данных. Этот процесс значительно улучшил способность системы к семантическому соответствию между изображениями и текстом, открывая новые возможности для детального анализа визуальных и языковых данных. Особое внимание уделено обучению с подкреплением — в процесс были интегрированы подходы GSPO и IcePop, обеспечивающие стабильность и эффективность во время основного этапа обучения модели. Также реализована динамическая выборка сложности, что позволяет нейросети адаптироваться к различным уровням задач. Инновационная функция «Мышление с помощью изображений» в сочетании с инструментами масштабирования и поиска изображений расширяет возможности модели при работе с редкими визуальными данными и мельчайшими деталями. Модель демонстрирует сопоставимую производительность с другими флагманскими моделями VL, такими как GPT-5 high и Gemini-2.5 Pro. Веса модели уже лежат в открытом доступе на Hugging Face.

ERNIE-4.5-VL-28B-A3B-Thinking задает новый стандарт для мультимодальных моделей, объединяя визуальное и языковое мышление в единой ИИ-архитектуре. Эти достижения открывают путь к созданию интеллектуальных агентов нового поколения, способных глубже понимать и анализировать сложные визуальные и текстовые данные в целях создания промышленных, исследовательских и образовательных приложений.