西风 发自 凹非寺

量子位 | 公众号 QbitAI

刚刚，文心5.0正式发布了！

全新一代主打原生全模态，最开始就把语言/图像/视频/音频放在同一套自回归统一架构里，做统一的理解与生成训练。

所以，最终模型能够做到支持全模态输入（文字/图片/音频/视频）+全模态输出（文字/图片/音频/视频），创意写作、指令遵循、智能体规划方面也更强了。

在官方展示中，上传一个电影片段，它立马就能分析出最紧张的情节，具体到第几秒到第几秒的那种。

同时上传一段视频和一段音频，就能让它指出视频里是否有用到音频里的音乐，还能说出节点：

做音视频融合生成也行，简单操作即可爆改甄嬛传滴血认亲（佟掌柜版）：

拿来生成3D交互式地球与卫星演示模型，用户可以通过鼠标拖拽旋转视角，直观地观察地球与卫星的空间运动关系：

官方基准测试结果显示，文心5.0 Preview在语言、视觉理解、音频理解、视觉生成多维度表现突出：

就在几天前，文心5.0 Preview（ERNIE-5.0-Preview-1022）还闪现大模型竞技场LMArena，在文本排行榜（Text Arena）上得分1432，与gpt-4.5-preview、claude-opus-4-1、claude-sonnet-4-5等并列全球第二，位居国内第一。

当时，不少在LMArena体验过的网友给出好评。

更有网友追问啥时候正式上线。

这不，现在它来了。

目前，文心5.0 Preview已上线文心一言网页版、文心App；同时上线百度千帆大模型平台，提供API服务。

不过，Preview版暂且先支持全模态输入（文/图/音/视频）+多模态输出（文/图）。量子位了解到，能实现全模态输出的满血版现在正在进行产品体验优化，之后会陆续推出。

那就先让文心5.0 Preview带我们一探，文心5.0体验感究竟如何。

文心5.0 Preview实测，原生全模态强在哪？

先来看输入方面，文心5.0 Preview支持全模态输入。

在单次交互中，不论是文档、图片，还是音频、视频，都能一口气发给它，可跨文件类别混合上传。

具体规则如下：

值得一提的是，经用户授权，它还能与百度网盘关联，无需下载就能访问处理网盘文件：

接下来，整活儿～

多模态理解推理全面强化

在多模态理解能力上，我们上来就给它看了一段跳水比赛史上的名场面：

给出简单的prompt：这个视频中发生了什么？有什么好笑的？

只见文心5.0 Preview和之前的深度思考模型一样，先进行了一轮自我思考，包括回顾视频内容、描述视频、找出好笑的地方以及确认了更多细节，紧接着快速给出了结果。

这波回答什么水平？

细看文心5.0 Preview的理解分析，咱只能说，理解的精细度有点离谱了。

从起跳、空中翻转到入水，各动作阶段拆得门清；一闪而过的选手信息、动作名称、难度系数，也都被它精准捕捉到了。

同时，它甚至还带有视频情感理解能力，注意到了选手的表情——起跳时皱着眉、咬着牙，像是在硬着头皮往下跳。

“入水瞬间水花越小越厉害”“压水花”，这些行规它也懂。

真正的神来之笔，是它连视频中的慢放片段都能识别，还点明慢动作回放补刀。

好好好，下一题。

搬出“你怎么穿着品如的衣服啊？”这一电视剧名场面，问：品如穿的什么颜色的衣服？

这时，文心5.0 Preview又当如何作答？

结合视频中的台词，文心5.0 Preview轻松答对：

上难度。

那么，“视频中的女人是品如吗？”

这次文心5.0 Preview依靠智能体能力自主调用了搜索工具，通过角色名等线索，将这一幕准确定位为出自电视剧《回家的诱惑》。

值得一提的是，它最后是根据角色的性格特征，分析出视频中的不是品如的。

并且也是通过性格特征推测，穿着品如粉色衣服的这个人，大概率是艾莉。

不得不说，这理解能力确实让人眼前一亮。

那再来一张难倒不少大模型的带有文字的谐音梗图，看它能否理解透彻：

通过思考，图片理解对它来说更是不在话下了：

最后，咱下班路上路过卖炒货的摊儿，顺手拍了几秒的视频上传给文心5.0 Preview。

尽管视频分辨率不是很高，它也能抓到细节，算出两斤糖炒栗子、一斤炒内蒙瓜子、一斤现炒四粒红花生一共多少钱。

要说瑕疵的话，就是没区分会员价和非会员价，默认按会员价计算。不过视频确实有点糊，也难怪看不清。

测试下来不难发现文心5.0 Preview的特点——

它不仅能识别画面中的内容，而且还能精准捕捉到各种细节，同时擅长结合视频情节、台词等多模态内容，理解其中的情感氛围和叙事意图。

另外，在综合推理、跨模态信息整合、复杂场景判别方面，文心5.0 Preview也更强，不容易被单一模态误导，能从多个角度判断画面的合理性。

更多用法，随你发挥

除了上面这些用法，基于全模态输入+多模态输出，还能玩出更多花样。

比如文图混合输入生成新图。

秒秒钟把家里的猫猫打扮成“高雅人士”：

日常学习工作中，我们常需高效获取视频、音频的核心内容。只需上传，文心5.0 Preview就能快速完成总结。

而且别忘了文心5.0 Preview一次性最多能上传10个视频，多任务内容整理轻松搞定。

以李飞飞团队最新成果Marble的宣传片为例，它不仅能精准提炼核心主题，还能条理清晰地梳理完整情节，就算台词很少，它也能根据画面讲清楚细节。

更多功能，大家伙可以自己亲自上手多测一测。

原生全模态技术背后

从技术上来看，文心5.0这次的设计以“原生统一”为目标，走的是非后期拼接的原生全模态路线。

过去的多模态模型通常是各模态独立训练、后期再进行特征拼接或融合，这种方式虽然工程上更易落地，但在语义对齐、信息互证和效率上存在天然瓶颈。

文心5.0的方法是从训练伊始，就将语言、图像、视频、音频等多模态数据放入同一套架构中联合学习，使模型在底层就能形成跨模态的内在关联与理解逻辑。就像人看到闪电会联想到雷声，文心5.0也在试图建立这种跨模态的直觉。

为了实现这种统一的理解，它采用了自回归统一结构。

通过对不同模态的训练目标进行离散化建模，使多模态特征得以在统一的架构中充分融合与协同优化。这意味着，无论输入是文字、图像还是音频，都会被映射到统一的表征空间中，用同一套逻辑结构进行处理与解码，从而打通模态间的边界。

为同时兼顾知识容量与运行效率，文心5.0引入了当前大模型主流架构——超大规模混合专家架构。

该架构在保持模型性能的同时，通过稀疏激活机制显著降低了计算负载。每次推理只会激活与任务最相关的专家模块，实现能力全面与成本可控的平衡。

官方透露，在底层实现上，百度飞桨深度学习框架提供了关键支撑。

训练端，通过多模态编码器分离异步训练架构、动态自适应显存卸载、细粒度通信计算重叠编排及FP8混合精度训练，文心5.0实现了万亿级参数模型的高效分布式训练。

推理端，基于多模编码器-预填充-解码-多模生成器的多级分离推理部署框架，结合超稀疏混合专家、数据负载和注意力计算的均衡算法，以及动态自适应多步投机解码和效果无损低比特键值缓存量化技术，大幅降低了推理成本。

整体而言，文心5.0的模型总参数规模超过2.4万亿；其超稀疏激活参数设计，激活比例低于3%，在保持模型性能的同时显著优化了计算与推理效率。

另外，文心5.0的能力还延伸到智能体与工具调用的执行层。

通过在真实和模拟环境中合成长程任务轨迹数据，并结合思维链、行动链与多轮强化学习训练，模型在任务规划、工具使用和决策执行方面实现了系统性提升。

今年完成的又双叒一轮迭代

近一年，大模型领域的竞争逻辑发生转变。

行业正越来越注重底层架构创新、训练与推理效率、落地成本等多维度的综合考量，各厂商也在技术路径上寻找差异化突破口。

从百度今年基础模型的迭代节奏来看，更新步伐持续加快：

4月，发布文心4.5 Turbo和文心X1 Turbo，增强多模态能力和推理能力。

6月底，文心4.5系列，包括47B、3B激活参数的混合专家（MoE）模型及0.3B参数的稠密型模型等10款模型，宣布开源，预训练权重和推理代码上均做到完全开放。

9月，文心X1.1深度思考模型发布，在事实性、指令遵循、智能体能力上持续提升。其开源模型ERNIE-4.5-21B-A3B-Thinking在抱抱脸全球模型总趋势榜和文本模型趋势榜均排名第一。

伴随底层模型的迭代，如百度电商数字人、百度搜索等上层应用也在持续演进，逐步承接模型能力。

这一次，文心5.0原生全模态模型的推出，也是百度从最底层实现的又一次差异化突破。背后撑起这一跃的，是百度在底层架构、算法训练、推理优化及生态协同等全链路环节上的系统性积累。

在多模态“强推理”和“深理解”方向，百度正在探索下一阶段模型能力的边界。