百度文心4.5系列模型开源：始智AI wisemodel.cn社区体验与技术解析

1. 为什么百度文心4.5系列模型选择开源？

在人工智能飞速发展的今天，大模型已成为推动各行业变革的核心力量。百度文心4.5系列模型正式开源，旨在通过开放模型权重，按照Apache 2.0协议，支持学术研究和产业应用，降低后训练和部署门槛。目前，该系列模型已上线始智AI-wisemodel开源社区，欢迎大家使用和体验。

• 关键词：人工智能，大模型，模型权重，始智AI-wisemodel开源社区

2. 文心4.5系列模型有哪些亮点？

文心4.5系列模型共10款，涵盖了激活参数规模分别为47B和3B的混合专家（MoE）模型（最大的模型总参数量为424B），以及0.3B的稠密参数模型。

2.1 MoE架构的创新之处是什么？

百度提出了一种创新性的多模态异构模型结构，通过跨模态参数共享机制实现模态间知识融合，同时为各单一模态保留专用参数空间。这种架构非常适用于从大语言模型向多模态模型的持续预训练范式，在保持甚至提升文本任务性能的基础上，显著增强多模态理解能力。

• 关键词：混合专家（MoE）模型，多模态异构模型结构，跨模态参数共享机制，大语言模型，多模态模型

2.2 文心4.5的训练效率如何？

文心4.5系列模型均使用飞桨深度学习框架进行高效训练、推理和部署。在大语言模型的预训练中，模型FLOPs利用率（MFU）达到47%。实验结果显示，该系列模型在多个文本和多模态基准测试中达到SOTA水平，在指令遵循、世界知识记忆、视觉理解和多模态推理任务上效果尤为突出。

• 关键词：飞桨深度学习框架，模型FLOPs利用率（MFU）

3. 文心4.5的核心技术是什么？

3.1 多模态混合专家模型预训练是如何实现的？

文心4.5通过在文本和视觉两种模态上进行联合训练，更好地捕捉多模态信息中的细微差别，提升在文本生成、图像理解以及多模态推理等任务中的表现。百度提出了一种多模态异构混合专家模型结构，结合了多维旋转位置编码，并且在损失函数计算时，增强了不同专家间的正交性，同时对不同模态间的词元进行平衡优化，达到多模态相互促进提升的目的。

• 关键词：文本，视觉，多模态异构混合专家模型结构，多维旋转位置编码

3.2 如何实现高效的训练推理？

为了支持文心4.5模型的高效训练，百度提出了异构混合并行和多层级负载均衡策略。通过节点内专家并行、显存友好的流水线调度、FP8混合精度训练和细粒度重计算等多项技术，显著提升了预训练吞吐。

在推理方面，百度提出了多专家并行协同量化方法和卷积编码量化算法，实现了效果接近无损的4-bit量化和2-bit量化。此外，文心还实现了动态角色转换的预填充、解码分离部署技术，可以更充分地利用资源，提升文心4.5 MoE模型的推理性能。基于飞桨框架，文心4.5在多种硬件平台均表现出优异的推理性能。

• 关键词：异构混合并行，多层级负载均衡策略，多专家并行协同量化方法，卷积编码量化算法

3.3 如何针对模态进行后训练？

为了满足实际场景的不同要求，文心对预训练模型进行了针对模态的精调。其中，大语言模型针对通用语言理解和生成进行了优化，多模态大模型侧重于视觉语言理解，支持思考和非思考模式。每个模型采用了SFT、DPO或UPO（统一偏好优化技术）的多阶段后训练。

• 关键词：大语言模型，多模态大模型，SFT，DPO，UPO

4. 文心4.5的开发工具链有哪些？

基于多年飞桨开源技术与生态系统积累，此次文心4.5模型系列开源同步升级发布文心大模型开发套件ERNIEKit和大模型高效部署套件FastDeploy，为文心4.5模型及开发者提供开箱即用的工具和全流程支持。

4.1 如何使用ERNIEKit进行开发？

ERNIEKit为用户提供预训练、全参精调（SFT）、直接偏好优化（DPO）、参数高效精调与对齐（SFT-LoRA/DPO-LoRA）、训练感知量化（QAT）和训练后量化（PTQ）等大模型全流程开发支持。

使用示例：

bash

下载模型

huggingface-cli download baidu/ERNIE-4.5-0.3B-Paddle –local-dir baidu/ERNIE-4.5-0.3B-Paddle

一行命令启动训练

erniekittrain examples/configs/ERNIE-4.5-0.3B/sft/run_sft_8k.yaml

• 关键词：ERNIEKit，SFT，DPO，SFT-LoRA，DPO-LoRA，QAT，PTQ

4.2 如何使用FastDeploy进行部署？

FastDeploy提供了一行代码开箱即用的多硬件部署体验，使用接口兼容vLLM和OpenAI协议。针对旗舰模型提供了产业级多级负载均衡的PD分离部署方案，支持丰富的低比特量化推理、上下文缓存、投机解码等加速技术。

本地推理示例：

python
from fastdeploy import LLM, SamplingParams
prompt=”把李白的静夜思改写为现代诗”
sampling_params= SamplingParams(temperature=0.8, top_p=0.95)
llm= LLM(model=”baidu/ERNIE-4.5-0.3B-Paddle”, max_model_len=32768)
outputs= llm.generate(prompt, sampling_params)

服务部署示例：

bash
python -m fastdeploy.entrypoints.openai.api_server \
–model “baidu/ERNIE-4.5-0.3B-Paddle” \
–max-model-len 32768 \
–port 9904

• 关键词：FastDeploy，vLLM，OpenAI协议

5. 如何参与wisemodel开源社区？

始智AI-wisemodel社区致力于打造中国版的“HuggingFace”，欢迎大家加入开源共创志愿者计划，共同成长。

5.1 如何贡献和参与社区建设？

开源社区建设需要长期坚持和投入，更需要广大用户的积极参与、贡献和维护。欢迎大家加入wisemodel开源社区的志愿者计划和开源共创计划。期待更多开发者将开源成果，包括模型、数据集和代码等发布到 wisemodel.cn 社区，共建中立、开放的AI开源社区生态。

5.2 wisemodel社区需要哪些人才？

始智AI wisemodel社区长期需要技术、运营等人才加盟，技术侧重在AI infra、后端开发，熟悉K8S、模型训练和推理等技术， 以及熟悉开发者生态运营的成员。

5.3 如何投稿优质内容？

欢迎投稿分享人工智能领域相关的优秀研究成果，鼓励高校实验室、大企业研究团队、个人等，在wisemodel平台上分享各类优质内容，可以是AI领域最新论文解读、最新开源成果介绍，也可以是关于AI技术实践、应用和总结等。

6. wisemodel社区的愿景是什么？

始智AI wisemodel.cn开源社区旨在打造和建设中立开放的AI开源创新社区，将打造成“HuggingFace”之外最活跃的AI开源社区，汇聚主要AI开源模型、数据集和代码等。

我认为：

文心4.5的开源，无疑是给国内AI发展注入了一剂强心针。它不仅仅是技术的开放，更是理念的共享。始智AI wisemodel.cn社区的出现，为开发者提供了一个交流和学习的平台，让更多人能够参与到AI的建设中来。这就像黑暗中的一丝光亮，照亮了前行的道路，也激励着我们不断探索和创新。然而，开源并非万能药，如何保证社区的健康发展，如何避免资源被滥用，这些都是我们需要认真思考的问题。
, #文心4.5