文心 ERNIE-4.5-VL-28B-A3B-Thinking

是什么

文心 ERNIE-4.5-VL-28B-A3B-Thinking 是百度 2025 年 11 月发布的开源多模态推理模型^[1]。名字本身就把结构写清楚了：总参数 280 亿，采用混合专家（mixture of experts, MoE）架构，每处理一个 token 只激活其中 30 亿参数^[3]。它接受文字、图像和视频输入，最长 128,000 个 token，输出为文字^[2]。「Thinking」表示它先经过一段中间推理，再给出最终答案。

由来

它建立在 ERNIE-4.5-VL-28B-A3B 这套视觉语言架构之上^[3]，权重按 Apache 2.0 许可公开^[3]。发布同月，百度的训练工具包 ERNIEKit 升到 1.5 版，为这个模型增加了监督微调（SFT）和函数调用（function call）训练支持^[1]。

边看图边想

模型卡里最突出的能力叫「Thinking with Images」：推理过程中，它可以把图像的某一部分放大，之后再缩回整体视野，也能调用图像搜索这类外部工具^[3]。这对答案藏在小块区域里的题目很有用——密集图表的坐标轴标签、截图里的一行小字，放大等于让它用更高的分辨率再看一遍同一处像素，而不是只凭一次缩放后的整体印象作答。

它同时支持视觉定位（visual grounding），即给出提示中提到的物体在图中的位置；也支持视频理解，并做事件定位（event localization），也就是指出某件事发生在片段的哪个时刻，而不只是笼统描述整段视频^[3]。

训练方法

百度用多模态强化学习（reinforcement learning）训练这个模型，其中用到 GSPO 和 IcePop 两项技术；模型卡的说法是，它们用于让 MoE 架构上的强化学习更稳定^[3]。在混合专家模型上做强化学习并不轻松：每个 token 只经过网络的一小部分，训练信号要落到该落的地方，稳定性因此本身就是工程难点，这也正是这两项技术被单独点出来的原因。

成绩

在 ChartQA 上报告 87.1%，Gemini 2.5 Pro 为 76.3%，GPT-5（high）为 78.2%^[2]。在 OCRBench 上得 858 分，GPT-5（high）为 810 分，Gemini 2.5 Pro 为 866 分^[2]。两项合起来看是互有胜负：图表问答领先，图像文字识别则落在 Gemini 2.5 Pro 之后。

怎么跑、怎么用

权重开放，意味着可以自建服务。用 FastDeploy 做单卡部署至少需要 48GB 显存^[3]。推荐的 vLLM 配置要使用 ernie45 的 reasoning parser 和 ernie45 的 tool-call parser，并开启自动工具选择^[3]。要自己微调，ERNIEKit 支持监督微调、LoRA 和 DPO^[3]。不想自己部署的，可以通过百度千帆平台调用，据 DeepLearning.AI 报道，价格为输入每百万 token 0.14 美元、输出每百万 token 0.56 美元^[2]。

在发展中的位置

280 亿总参数、每个 token 激活 30 亿，配上 48GB 显存就能单卡跑起来，落在个人和小团队可以自行部署的范围内^[3]。这次发布沿用了一套熟悉的组合：权重、训练工具、部署配方和线上接口一起给出，同一套模型既可以微调、自建，也可以直接按量调用。对关心开源多模态模型的读者来说，这个条目值得记下的地方在于，百度把权重和支撑结论的基准数字一并公布，其中也包括落后于 Gemini 2.5 Pro 的那一项比较^[2]。