提前免费！百度连发两款模型，我们实测：能听歌看电影，还会蛐蛐人

　　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，并支持多模态，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4.5API，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，我们将从多模态理解、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。

　　比如我们让它用贴吧的口吻，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解释，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。

　　我们只需在聊天框开启「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、代码解释器、百度学术检索、商业信息查询等工具。

　　举个例子。

　　我们上传一张甜品的照片，然后让它介绍制作工序，并生成一份 PDF 文件。

　　文心 X1接连调用了图片理解、联网搜索和代码解释器三个工具。

　　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、看电影

　　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，对着谷歌、OpenAI 和 Meta 就是一顿贴脸开大。

　　我们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。

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

　　音乐，机器之心，3分钟

　　同理，我们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。

　　比如电影《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解释得清清楚楚、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、腾讯网等其他来源。

　　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，我们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。

　　比如上文我们体验的「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，就像我们做数学题时，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、更可靠的指导，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 ICLR2025。

　　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。

　　前文我们已经提到，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知识点的大规模数据构建技术。知识分级采样优先把重要的、核心的知识挑出来，接着把挑出来的知识点进行压缩，去掉多余的部分，把相关的知识融合在一起。对于那些比较少见、不太好找的知识点，专门合成一些相关内容，确保这些重要的小众知识也不会被遗漏。这样一来，模型幻觉大大降低。

　　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期望。

　　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知识，知识系统更新很慢;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、相关的知识，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，我们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、董事长兼首席执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，这也是百度希望重点突破的方向。」

　　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。