AI 競爭進入白熱化階段。這次，輪到百度給自家大模型上強度。
剛剛，百度一口氣官宣了兩款大模型，分別是文心大模型 X1 和文心大模型 4.5。
那麼，這兩款大模型有啥區別呢？
這麼說吧，文心 X1 是一款深度思考模型，具備更強的理解、規劃、反思、進化能力，並支援多模態，尤其是多工具呼叫，更是它的一大特色。
而文心 4.5 號稱新一代原生多模態基礎大模型，最擅長的就是多模態理解，語言能力也更精進。
相比於之前版本，文心 4.5 不僅在理解、生成、邏輯、記憶能力方面上了一個臺階，還在去幻覺、邏輯推理、程式碼能力上有了全面提升。
目前，這兩款模型已在文心一言官網、百度搜尋、文小言 APP 等產品上線。（體驗網址：https://yiyan.baidu.com/）
最關鍵的是，它們全都免費！
要知道，前段時間百度還對外宣佈，文心一言將從 2025 年 4 月 1 日 0 時起開始全面免費。
沒想到，這次百度直接將這個時間點提前了整整半個月。
同時，這兩款模型的 API 價格也已出爐。
開發者現可在百度智慧雲千帆大模型平臺上直接呼叫文心大模型 4.5 API，輸入價格低至 0.004 元 / 千 tokens，輸出價格低至 0.016 元 / 千 tokens；文心大模型 X1 也即將在千帆平臺上線，輸入價格低至 0.002 元 / 千 tokens，輸出價格低至 0.008 元 / 千 tokens。
百度之所以能把文心 X1 模型的 API 價格打下來，是因為他們透過飛槳和文心聯合最佳化，實現從壓縮、推理、服務部署的全鏈路極致調優，大幅降低文心 X1 推理成本。
具體來說，模型壓縮方面，透過分塊 Hadamard 量化、面向長序列的注意力機制量化等實現深度壓縮；推理引擎方面，透過低精度高效能運算元最佳化、動態自適應投機解碼、神經網路編譯器實現推理加速。系統層面，透過框架和晶片協同最佳化、分離式部署架構、高效資源排程實現系統級最佳化。
一手評測
俗話說得好，是騾子是馬，還得拉出來遛遛。
接下來，我們將從多模態理解、文字創作、邏輯推理以及工具呼叫等多個維度，對這倆大模型來一波真刀真槍的實戰。
文心 X1：會腦筋急轉彎，還能調動多個工具
作為百度最新深度思考模型，文心 X1 有三大絕活：嘴毒（敢銳評）、腦子好使（推理能力強），而且善用工具（多工具呼叫）。
相較於之前版本，文心 X1 顯得叛逆得多。它不願做「端水大師」，遇事總是直言不諱，有觀點有態度。
比如我們讓它用貼吧的口吻，銳評一下小紅書、知乎、微博和貼吧。
它一上來就毫不客氣，怒噴小紅書是《人類高質量裝 X 指南》，知乎整天標榜精英範兒，微博熱搜天天吵得像菜市場，貼吧則是人均鍵盤俠。
之所以說文心 X1 腦子好使，是因為它的邏輯推理能力有了顯著提升，甚至還「懂」腦筋急轉彎的奇葩腦回路。
比如「狐狸為什麼容易摔跤」，它既能從科學的角度進行解釋，還能識別出背後的諧音梗。
要說文心 X1 最大的特色，便是能呼叫多種工具。
我們只需在聊天框開啟「聯網搜尋」和「呼叫工具」兩個按鈕，就能一下子綜合高階搜尋、文件問答、圖片理解、AI 繪圖、程式碼直譯器、百度學術檢索、商業資訊查詢等工具。
舉個例子。
我們上傳一張甜品的照片，然後讓它介紹製作工序，並生成一份 PDF 檔案。
文心 X1 接連呼叫了圖片理解、聯網搜尋和程式碼直譯器三個工具。
最終它真的生成了一份草莓藍莓煎餅塔詳細工序的 PDF 文件。
文心 X1 的完整回答
文心 X1 生成的 PDF 檔名及內容
文心 4.5：學會了聽歌、看電影
如果說文心 X1 更聰明的話，那麼文心 4.5 就是更全能。
作為百度自主研發的新一代原生多模態基礎大模型，文心 4.5 不僅能看懂梗圖，還能識別音影片。
前段時間 Grok3 釋出時，馬斯克激動地在 X 上發了張梗圖，對著谷歌、OpenAI 和 Meta 就是一頓貼臉開大。
我們就將這張梗圖丟給文心 4.5，輸入 Prompt：這張圖片暗含著什麼意思？
它敏銳捕捉到了圖片背後的幽默和諷刺含義：四隻企鵝代表了大洋彼岸的四家科技巨頭，其中三隻企鵝向 Grok 企鵝敬禮，暗示了 Grok 在某一階段處於領先優勢。
對於大模型來說，識別梗圖早就不是什麼新鮮事了，文心 4.5 最拿手的還得是音影片的理解分析。
當我們聽到一首喜歡的音樂，但就是死活想不起來歌名時，我們只需錄一小段音訊，投餵給文心 4.5，它就能給出這首歌的一切。
同理，我們還可以上傳一段不超過 20M 的影片片段，讓它挖出背後各種八卦。
比如電影《聞香識女人》中這段經典的舞蹈，文心 4.5 不僅識別出影片名字、女主飾演者，甚至連背景音樂都扒出來了。
弱智吧，江湖人稱「青龍山皇家療養院」，大模型智商高不高，就看能不能 hold 得住這些神題。
比如：為什麼只有電信詐騙，沒有聯通詐騙呢？
文心 4.5 從術語的通用性聊到了歷史淵源，又從法律定義聊到了社會認知，把這個略顯無厘頭的問題解釋得清清楚楚、明明白白。
此外，文心 4.5 在搜尋方面也有了更大的進步。
就拿最近大火的網路熱梗「饢言文」來說，它找到了 8 條參考信源，除了百家號外，還包括新京報網、騰訊網等其他來源。
而且，文心 4.5 經過分析總結給出回答後，還在末尾附上了相關影片以供參考。
核心技術大揭秘
經過實測，我們可以看出百度最新發布的兩個模型已經出現了質的飛躍。
多項技術加持的文心 X1
最近一段時間，AI 圈焦點無疑是關於「Scaling Law 是否撞牆？」的討論，這個曾經被視作大模型發展的第一性原理，如今卻遭遇了巨大挑戰。
面對大模型效能提升的邊際效益遞減問題，測試時計算（Test-Time Compute）、強化學習等策略成為一種有效的應對方式。
百度在強化學習方面也下足了功夫，釋出的推理模型文心 X1 創新性地應用了遞進式強化學習訓練方法。採用這種方法可以全面提升模型在創作、搜尋、工具呼叫、推理等場景的綜合應用能力。
比如上文我們體驗的「輸入一張圖片，要求文心 X1 根據提示輸出 PDF 格式的檔案」，就離不開這種訓練方式。
現階段，推理模型幾乎都採用了一種稱為思維鏈（Chain of Thought，CoT）的技術，與傳統的直接從輸入到輸出的對映不同，思維鏈透過顯式展示中間推理過程，幫助模型更好地理解和解決複雜問題。
更進一步的，文心 X1 具備 “長思維鏈”，採用了思維鏈和行動鏈耦合的端到端訓練方式。思維鏈使得模型在解決問題時，一步一步寫下思考過程，就像我們做數學題時，需要寫下解題步驟一樣。而行動鏈是模型在思考過程中決定採取的行動，比如搜尋資訊、呼叫工具等。
在端到端訓練中，文心 X1 不是隻學習思考或者只學習行動，而是把思考和行動結合起來，透過這種方式，模型可以根據每次行動的結果反饋，調整自己的思考和行動策略，最終顯著提升在複雜任務中的表現。
最後，文心 X1 還採用了多元統一的獎勵系統，這個系統就像一個「超級裁判」，用來評價模型做得好不好。這個「裁判」在評估過程中結合了多種不同的獎勵機制，能夠從多個角度給模型反饋。這樣的話，模型在訓練過程中就能得到更準確、更可靠的指導，為模型訓練提供更加魯棒的反饋。
文心 4.5 用到的「法寶」
至於文心 4.5，背後的技術也不容小覷。
首先是 FlashMask 動態注意力掩碼。FlashMask 是由百度飛槳團隊在論文《FlashMask: Efficient and Rich Mask Extension of FlashAttention》中提出的一種創新的注意力掩碼最佳化技術，旨在解決 Transformer 類大模型中注意力掩碼計算的冗餘和儲存開銷問題。FlashMask 透過列式稀疏掩碼錶示方法，將傳統的二維稠密掩碼矩陣轉換為一維的行索引區間表示，從而顯著降低了儲存複雜度，從 O (N^2) 降低到 O (N)。極致的加速了大模型訓練效率，尤其是長序列場景下的訓練效率。
相關論文已入選頂會 ICLR 2025 。
論文地址：https://arxiv.org/abs/2410.01359
其次就是多模態異構專家擴充套件技術。該技術是一種結合多模態資料處理與混合專家模型（MoE）的創新架構，旨在透過針對不同模態特點構建的異構專家模組，解決多模態融合中的梯度不均衡問題，提升模型的多模態融合能力。多模態異構專家擴充套件技術在多個應用場景中展現了顯著優勢，例如多模態問答任務，這種技術能夠更高效地處理複雜的多模態資料。
文心 4.5 還採用了時空維度表徵壓縮技術，這是一種把圖片和影片裡的關鍵資訊進行濃縮的方法。在不丟失重要細節的情況下，在時空維度對圖片和影片的語義表徵進行高效壓縮，讓這些資料變得更小、更高效。這樣一來，訓練多模態模型（也就是同時處理文字、圖片、影片等多種資料的模型）時就能更快、更省資源。
前文我們已經提到，文心 4.5 幻覺問題得到了極大的提升，而這離不開百度採用的基於知識點的大規模資料構建技術。知識分級取樣優先把重要的、核心的知識挑出來，接著把挑出來的知識點進行壓縮，去掉多餘的部分，把相關的知識融合在一起。對於那些比較少見、不太好找的知識點，專門合成一些相關內容，確保這些重要的小眾知識也不會被遺漏。這樣一來，模型幻覺大大降低。
此外，文心 4.5 還用到了基於自反饋的 Post-training 技術。這是一種透過多種評估方式不斷最佳化模型的後訓練方法。簡單來說，它讓模型在訓練過程中不斷反思自己的表現，根據不同的評價標準調整自己，從而讓模型變得更穩定、更可靠。這種技術還能顯著提升預訓練模型理解人類意圖的能力，讓模型的回答更符合人類的期望。
那麼文心 4.5 與其他模型對比結果如何呢？
下圖展示了文心 4.5 與 GPT-4o 在多模態效能上的對比。可以看出，文心 4.5 在大多數測試基準上的表現優於 GPT-4o，尤其是在 OCRBench、MathVista、DocVQA 和 MVBench 上，兩者差距較為明顯。GPT-4o 僅在 MMMU 上的表現相對較好，但在其他基準上的表現不如文心 4.5。在平均值上，文心 4.5 的得分略高於 GPT-4o，顯示出文心 4.5 在整體效能上的優勢。
下圖比較了四個不同模型（文心 4.5、DeepSeek-V3-Chat、GPT-4o 和 GPT-4.5）在文字測試基準上的效能對比。結果顯示文心 4.5 在大多數測試基準上的表現優於其他模型，尤其是在 C-Eval、CMMLU、CMath 和 CLUEWSC 等基準上。
RAG 相關技術
RAG 檢索增強生成（Retrieval Augmented Generation），已經成為當前最火熱的 LLM 應用方案， 是衡量大模型優劣的重要維度。
現在大模型在各種任務上雖然很強大，但也有缺點，比如：幻覺現象導致 LLM 有時會「瞎編」一些不存在的資訊；還有大模型掌握的資訊並不是最新知識，知識系統更新很慢；此外，生成的內容缺乏透明度等一系列問題，導致大模型在實際應用中並不是很理想。
RAG 透過檢索最新的、相關的知識，解決了上述問題，讓生成的內容更可靠、更準確。
百度研發的「理解 - 檢索 - 生成」協同最佳化檢索增強技術，提升了大模型技術及應用的效果，能夠生成準確率更高、時效性更好的答案。而且，百度在 RAG 技術上具備中文深度理解、多模態檢索、垂直領域定製化以及實時資料整合能力等優勢，在中文網際網路、企業服務、政務醫療等場景中更具實用性和競爭力。
此外，在國內外主流大模型的 RAG 能力實測中，百度文心一言綜合表現最佳。
雖然傳統的 RAG 已經基本解決了大模型在文字生成層面的幻覺問題，但在多模態領域，尤其是圖片生成領域，傳統 RAG 已經遠遠不夠用了。
比如，我們經常看到生成的圖片出現明顯的邏輯錯誤等問題。即使結果符合要求，但看上去也是一股 AI 味，這些問題嚴重影響了 AI 生成影像的實用性和可信度。
正如百度創始人、董事長兼執行長李彥宏在百度世界 2024 大會上所提出的：「文字層面的 RAG 已經做得很好，基本讓大模型消除了幻覺；但在影像等多模態方面，和 RAG 的結合還不夠，這也是百度希望重點突破的方向。」
在這種情況下，百度自研了一種檢索增強的文生圖技術 iRAG（image based RAG），旨在解決傳統文生圖系統中常見的幻覺問題，提升生成影像的準確性和實用性。
在擁有億級的圖片資源和強大的基礎模型能力，百度 iRAG 將這些優勢相結合，避免了傳統文生圖系統中一眼假的問題，生成的影像不僅超真實，還具備極高的準確性和可靠性。
結語
這次，百度一口氣上線了兩款大模型，總算揚眉吐氣了一回。
近十年來，百度一向捨得在研發上砸錢。截至目前，百度已累計投入超過 1800 億元。
如今來看，真金白銀沒有白花。