剛剛，文心5.0正式發布了！

全新一代主打原生全模態，最開始就把語言/圖像/視頻/音頻放在同一套自回歸統一架構里，做統一的理解與生成訓練。

所以，最終模型能夠做到支持全模態輸入（文字/圖片/音頻/視頻）+全模態輸出（文字/圖片/音頻/視頻），創意寫作、指令遵循、智能體規劃方面也更強了。

在官方展示中，上傳一個電影片段，它立馬就能分析出最緊張的情節，具體到第幾秒到第幾秒的那種。

同時上傳一段視頻和一段音頻，就能讓它指出視頻里是否有用到音頻里的音樂，還能說出節點：

做音視頻融合生成也行，簡單操作即可爆改甄嬛傳滴血認親（佟掌柜版）：

拿來生成3D交互式地球與衛星演示模型，用戶可以通過鼠標拖拽旋轉視角，直觀地觀察地球與衛星的空間運動關系：

官方基準測試結果顯示，文心5.0 Preview在語言、視覺理解、音頻理解、視覺生成多維度表現突出：

就在幾天前，文心5.0 Preview（ERNIE-5.0-Preview-1022）還閃現大模型競技場LMArena，在文本排行榜（Text Arena）上得分1432，與gpt-4.5-preview、claude-opus-4-1、claude-sonnet-4-5等并列全球第二，位居國內第一。

當時，不少在LMArena體驗過的網友給出好評。

更有網友追問啥時候正式上線。

這不，現在它來了。

目前，文心5.0 Preview已上線文心一言網頁版、文心App；同時上線百度千帆大模型平臺，提供API服務。

不過，Preview版暫且先支持全模態輸入（文/圖/音/視頻）+多模態輸出（文/圖）。量子位了解到，能實現全模態輸出的滿血版現在正在進行產品體驗優化，之后會陸續推出。

那就先讓文心5.0 Preview帶我們一探，文心5.0體驗感究竟如何。

文心5.0 Preview實測，原生全模態強在哪？

先來看輸入方面，文心5.0 Preview支持全模態輸入。

在單次交互中，不論是文檔、圖片，還是音頻、視頻，都能一口氣發給它，可跨文件類別混合上傳。

具體規則如下：

值得一提的是，經用戶授權，它還能與百度網盤關聯，無需下載就能訪問處理網盤文件：

接下來，整活兒～

多模態理解推理全面強化

在多模態理解能力上，我們上來就給它看了一段跳水比賽史上的名場面：

給出簡單的prompt：這個視頻中發生了什么？有什么好笑的？

只見文心5.0 Preview和之前的深度思考模型一樣，先進行了一輪自我思考，包括回顧視頻內容、描述視頻、找出好笑的地方以及確認了更多細節，緊接著快速給出了結果。

這波回答什么水平？

細看文心5.0 Preview的理解分析，咱只能說，理解的精細度有點離譜了。

從起跳、空中翻轉到入水，各動作階段拆得門清；一閃而過的選手信息、動作名稱、難度系數，也都被它精準捕捉到了。

同時，它甚至還帶有視頻情感理解能力，注意到了選手的表情——起跳時皺著眉、咬著牙，像是在硬著頭皮往下跳。

“入水瞬間水花越小越厲害”“壓水花”，這些行規它也懂。

真正的神來之筆，是它連視頻中的慢放片段都能識別，還點明慢動作回放補刀。

好好好，下一題。

搬出“你怎么穿著品如的衣服啊？”這一電視劇名場面，問：品如穿的什么顏色的衣服？

這時，文心5.0 Preview又當如何作答？

結合視頻中的臺詞，文心5.0 Preview輕松答對：

上難度。

那么，“視頻中的女人是品如嗎？”

這次文心5.0 Preview依靠智能體能力自主調用了搜索工具，通過角色名等線索，將這一幕準確定位為出自電視劇《回家的誘惑》。

值得一提的是，它最后是根據角色的性格特征，分析出視頻中的不是品如的。

并且也是通過性格特征推測，穿著品如粉色衣服的這個人，大概率是艾莉。

不得不說，這理解能力確實讓人眼前一亮。

那再來一張難倒不少大模型的帶有文字的諧音梗圖，看它能否理解透徹：

通過思考，圖片理解對它來說更是不在話下了：

最后，咱下班路上路過賣炒貨的攤兒，順手拍了幾秒的視頻上傳給文心5.0 Preview。

盡管視頻分辨率不是很高，它也能抓到細節，算出兩斤糖炒栗子、一斤炒內蒙瓜子、一斤現炒四粒紅花生一共多少錢。

要說瑕疵的話，就是沒區分會員價和非會員價，默認按會員價計算。不過視頻確實有點糊，也難怪看不清。

測試下來不難發現文心5.0 Preview的特點——

它不僅能識別畫面中的內容，而且還能精準捕捉到各種細節，同時擅長結合視頻情節、臺詞等多模態內容，理解其中的情感氛圍和敘事意圖。

另外，在綜合推理、跨模態信息整合、復雜場景判別方面，文心5.0 Preview也更強，不容易被單一模態誤導，能從多個角度判斷畫面的合理性。

更多用法，隨你發揮

除了上面這些用法，基于全模態輸入+多模態輸出，還能玩出更多花樣。

比如文圖混合輸入生成新圖。

秒秒鐘把家里的貓貓打扮成“高雅人士”：

日常學習工作中，我們常需高效獲取視頻、音頻的核心內容。只需上傳，文心5.0 Preview就能快速完成總結。

而且別忘了文心5.0 Preview一次性最多能上傳10個視頻，多任務內容整理輕松搞定。

以李飛飛團隊最新成果Marble的宣傳片為例，它不僅能精準提煉核心主題，還能條理清晰地梳理完整情節，就算臺詞很少，它也能根據畫面講清楚細節。

更多功能，大家伙可以自己親自上手多測一測。

原生全模態技術背后

從技術上來看，文心5.0這次的設計以“原生統一”為目標，走的是非后期拼接的原生全模態路線。

過去的多模態模型通常是各模態獨立訓練、后期再進行特征拼接或融合，這種方式雖然工程上更易落地，但在語義對齊、信息互證和效率上存在天然瓶頸。

文心5.0的方法是從訓練伊始，就將語言、圖像、視頻、音頻等多模態數據放入同一套架構中聯合學習，使模型在底層就能形成跨模態的內在關聯與理解邏輯。就像人看到閃電會聯想到雷聲，文心5.0也在試圖建立這種跨模態的直覺。

為了實現這種統一的理解，它采用了自回歸統一結構。

通過對不同模態的訓練目標進行離散化建模，使多模態特征得以在統一的架構中充分融合與協同優化。這意味著，無論輸入是文字、圖像還是音頻，都會被映射到統一的表征空間中，用同一套邏輯結構進行處理與解碼，從而打通模態間的邊界。

為同時兼顧知識容量與運行效率，文心5.0引入了當前大模型主流架構——超大規模混合專家架構。

該架構在保持模型性能的同時，通過稀疏激活機制顯著降低了計算負載。每次推理只會激活與任務最相關的專家模塊，實現能力全面與成本可控的平衡。

官方透露，在底層實現上，百度飛槳深度學習框架提供了關鍵支撐。

訓練端，通過多模態編碼器分離異步訓練架構、動態自適應顯存卸載、細粒度通信計算重疊編排及FP8混合精度訓練，文心5.0實現了萬億級參數模型的高效分布式訓練。

推理端，基于多模編碼器-預填充-解碼-多模生成器的多級分離推理部署框架，結合超稀疏混合專家、數據負載和注意力計算的均衡算法，以及動態自適應多步投機解碼和效果無損低比特鍵值緩存量化技術，大幅降低了推理成本。

整體而言，文心5.0的模型總參數規模超過2.4萬億；其超稀疏激活參數設計，激活比例低于3%，在保持模型性能的同時顯著優化了計算與推理效率。

另外，文心5.0的能力還延伸到智能體與工具調用的執行層。

通過在真實和模擬環境中合成長程任務軌跡數據，并結合思維鏈、行動鏈與多輪強化學習訓練，模型在任務規劃、工具使用和決策執行方面實現了系統性提升。

今年完成的又雙叒一輪迭代

近一年，大模型領域的競爭邏輯發生轉變。

行業正越來越注重底層架構創新、訓練與推理效率、落地成本等多維度的綜合考量，各廠商也在技術路徑上尋找差異化突破口。

從百度今年基礎模型的迭代節奏來看，更新步伐持續加快：

4月，發布文心4.5 Turbo和文心X1 Turbo，增強多模態能力和推理能力。

6月底，文心4.5系列，包括47B、3B激活參數的混合專家（MoE）模型及0.3B參數的稠密型模型等10款模型，宣布開源，預訓練權重和推理代碼上均做到完全開放。

9月，文心X1.1深度思考模型發布，在事實性、指令遵循、智能體能力上持續提升。其開源模型ERNIE-4.5-21B-A3B-Thinking在抱抱臉全球模型總趨勢榜和文本模型趨勢榜均排名第一。

伴隨底層模型的迭代，如百度電商數字人、百度搜索等上層應用也在持續演進，逐步承接模型能力。

這一次，文心5.0原生全模態模型的推出，也是百度從最底層實現的又一次差異化突破。背后撐起這一躍的，是百度在底層架構、算法訓練、推理優化及生態協同等全鏈路環節上的系統性積累。

在多模態“強推理”和“深理解”方向，百度正在探索下一階段模型能力的邊界。