百度最近推出了其最新的多模态人工智能模型——ERNIE-4.5-VL-28B-A3B-Thinking，这是一种将图像深度融入推理过程的新型AI模型。百度声称，该模型在多个多模态基准测试中表现出色，偶尔会超越谷歌的Gemini 2.5 Pro和OpenAI的GPT-5 High等顶级商业模型。
轻量化与高性能的结合
虽然该模型中的参数总数为 280 亿个，但由于采用了路由架构，它仅使用 30 亿个主动参数进行推理。借助这种高效的架构，ERNIE-4.5-VL-28B-A3B-Thinking 可以在配备 80GB GPU 的单个设备（例如 Nvidia A100）上运行。百度已在 Apache 2.0 许可下发布了该模型，允许其免费用于商业项目。然而，百度声称的性能尚未得到独立验证。
核心能力：“图像思维”和精准定位
该模型的突出特点是其**“图像思维”**功能，使其能够在推理过程中动态处理图像以突出关键细节。例如，该模型可以自动放大图像中的蓝色标志并准确识别其上的文本，从而有效地在内部使用图像编辑工具。
其他测试已经证明了其强大的多模态能力：
- 它可以精确定位图像中的人物并返回他们的坐标。
- 它可以通过分析电路图来解决复杂的数学问题。
- 它可以根据图表数据推荐最佳观光时间。
- 对于视频输入，它可以提取字幕并匹配具有特定时间戳的场景。
- 它可以访问外部工具，例如基于网络的图像搜索，以识别不熟悉的生物体。
