聲明：本文只做實際測評，并非廣告

1.前言

2025 年 6 月 30 日，百度做出一項重大舉措，將文心大模型 4.5 系列正式開源，并選擇國內領先的開源平臺 GitCode 作為首發平臺。該模型也是百度在2025年3月16日發布的自研的新一代原生多模態基礎大模型。模型在圖片理解方面表現出色，可處理照片、電影截圖、網絡梗圖、漫畫、圖標等多種形式的圖片內容。在音視頻理解上，文心大模型4.5也能精準把握其中場景、畫面、人物等關鍵特征。并且，模型在生成名人形象、物品等相關內容時，呈現出較高的真實性 。

此次開源涉及 10 款模型，其中包含激活參數為 47B、3B 的混合專家（MoE）模型，以及參數規模為 0.3B 的稠密型模型 。而且，百度一并開放了預訓練權重與推理代碼。目前，開發者與用戶能在Gitcode社區、飛槳星河社區、HuggingFace 等平臺，完成文心大模型 4.5 開源系列的下載與部署。開源模型 API 服務可在百度智能云千帆大模型平臺使用，實現各類應用場景的開發與落地 。

Gitcode上的文心一言4.5系列模型

1.1文心大模型 4.5 開源系列三大分支

文心大模型 4.5 開源系列覆蓋A47B、A3B、0.3B三大分支，從超大規模多模態到輕量級文本模型梯度分布，適配不同場景需求。

系列	典型參數（激活參數 / 總參數）	能力定位	場景適配
A47B	47B 激活（總參 424B）	全能力多模態旗艦	復雜跨模態推理、專業場景
A3B	3B 激活（總參 21B/28B）	輕量多模態 + 高效文本	垂直領域落地、邊緣計算
0.3B	0.3B 稠密參數	極致輕量化文本	嵌入式設備、資源受限場景

1.1.1系列內細分邏輯：Base 版與進階版

所有系列均區分 Base 版（預訓練基礎模型） 和 進階版（后訓練優化模型）：

• Base 版：聚焦基礎能力，適合二次開發（數據微調），可選擇 ERNIE-4.5-300B-A47B-Base。
• 進階版：經 SFT/DPO 后訓練，強化指令遵循、知識對齊，直接支持場景化推理（ERNIE-4.5-VL-424B-A47B 運用了思維鏈技術（COT）支持 “思考模式” 多模態推理 ）。

1.1.2區分運用場景

做多模態復雜任務（視頻內容理解、跨模態生成）→ 選 A47B/A3B 的 VL（視覺語言）模型；
純文本密集型任務（長文檔問答、代碼生成）→ 選同系列文本模型；
卡脖子資源受限場景（邊緣設備、嵌入式部署）→ 0.3B 系列合適。

注：“支持思考模式” 指模型強化了推理調度能力，可拆解復雜任務分步處理，類似人類 “思考過程” 。

2.技術基座剖析

文心一言4.5的技術底座以原生多模態混合專家模型（MoE）為核心，構建了層次化、高效能的技術架構體系：

2.1. 多模態異構MoE架構

文心4.5系列模型通過文本與視覺模態聯合預訓練，實現多模態信息的細粒度捕捉，顯著提升文本生成、圖像理解及跨模態推理能力。為解決傳統模型中模態間學習干擾問題，百度研究團隊設計了一種異構MoE結構。

• 跨模態參數共享機制：在統一架構下實現文本與視覺知識融合，同時為單一模態保留獨立參數空間，徹底打破傳統拼接式多模態模型的模態割裂瓶頸。
• 模態隔離路由與損失函數優化：引入模態隔離路由機制，通過路由器正交損失（Router Orthogonal Loss）約束不同模態特征的空間獨立性，結合多模態標記平衡損失（Multimodal Token-Balanced Loss）均衡模態間訓練信號，確保文本與圖像特征在相互強化中實現高效協同，避免單一模態對另一模態的抑制。
• 多維旋轉位置編碼：針對長序列建模需求（文檔段落、視頻幀序列），通過位置編碼技術革新，提升模型對時序依賴關系的捕捉能力，在MathVista數學推理、MMMU多模態理解等復雜任務中有較為明顯的優勢。

2.2. 高效訓練與推理技術

• 訓練側：采用異構混合并行策略（節點內專家并行+流水線調度），結合FP8混合精度訓練與細粒度重計算技術，將大模型預訓練的FLOPs利用率（MFU）提升至47%，較傳統方案訓練效率提升30%以上，實現千卡級集群的高效資源調度。
• 推理側：創新卷積碼量化算法，實現4位/2位無損量化，在壓縮模型體積的同時保持性能接近原生。以ERNIE-4.5-300B-A47B為例，量化后顯存占用從112GB降至28GB，推理延遲減少40%，顯著提升邊緣計算、嵌入式設備等資源受限場景的部署可行性。

2.3. 分層蒸餾策略

文心4.5針對不同應用場景設計大模型預訓練+小模型定向蒸餾路徑，形成覆蓋全場景的模型矩陣。

• 基礎模型：424B參數的ERNIE-4.5-VL-424B-A47B，聚焦多模態復雜推理，在視覺知識理解、跨模態生成等任務中超越DeepSeek-V3-671B強勁開源模型，尤其在醫療影像分析、工業圖紙解析等專業領域表現突出。
• 輕量級模型：21B參數的ERNIE-4.5-21B-A3B，通過蒸餾大模型核心知識，在數學推理（BBH、CMATH）、指令遵循（IFEval）等任務上以70%參數量實現優于Qwen3-30B的性能，達成效果與效率的最優平衡，適配智能客服、移動辦公等輕量化場景。
• 

3.部署實戰

文心一言4.5依托飛槳生態構建了從模型獲取到落地部署的全鏈路工具鏈，支持多元硬件環境的高效適配。先看測評總結：

模型名稱	部署時間	測試場景	響應時間	輸出Token	效果總結
ERNIE-4.5-0.3B-Base-Paddle	約5分鐘	自我介紹、邏輯推理	14.7秒-1分14秒	38-1109	輕量級文本處理高效
ERNIE-4.5-21B-A3B-Base-Paddle	約15分鐘（需高配置服務器）	邏輯推理謎題、多輪對話（數學/古詩/翻譯）	6分06秒	10000（達自定義上限）	陷入思考困境未返回正確結果，數學推導詳細但邏輯題易出錯，古詩賞析和翻譯基礎準確但專業度待提升
ERNIE-4.5-VL-28B-A3B-Paddle	約25分鐘（需80GB+ GPU顯存）	表情包解析、邏輯推理謎題	平均15秒	815-1076	多模態解析能力突出，畫面元素/隱喻/社會心理分析全面，邏輯題仍存推理漏洞但優于0.3B

3.1. 部署模型所需環境

這里選擇的是安裝FastDeploy來部署模型。FastDeploy 是基于 PaddlePaddle 的大型語言模型和可視化語言模型的推理部署工具包。它提供具有核心加速技術的生產就緒型開箱即用部署的解決方案。

基于NVIDIA CUDA GPU 安裝，需要滿足以下環境

依賴項	版本要求
GPU 驅動程序	>= 535
CUDA	>= 12.3
CUDNN	>= 9.5
Python	>= 3.10
Linux	X86_64 架構

注：需要Linux系統，Windows和Mac系統需要基于 Docker

我這里本地環境不能滿足以上條件，選擇租用一臺A100-80G顯存服務器來部署模型，下面是選擇的硬件配置和基礎鏡像

配置項	詳情
鏡像	PyTorch 2.5.1，Python 3.12(ubuntu22.04)，CUDA 12.4
GPU	A800 - 80GB(80GB) * 1
CPU	14 vCPU Intel? Xeon? Gold 6348 CPU @ 2.60GHz
內存	100GB
硬盤	系統盤：30GB 數據盤：50G

初始打開終端界面：內存大小是100G，系統盤30G,數據盤50G。

首先搭建一個虛擬環境，如果不搭建虛擬環境的話，有安全風險（我會對比使用虛擬環境安裝和未使用的區別）。

注：所有命令都是在終端使用

1.安裝虛擬環境工具：

sudo apt update
sudo apt install -y python3-venv

2.創建虛擬環境，創建名為 fastdeploy-env 的虛擬環境（使用 Python 3.12）

python3 -m venv fastdeploy-env

3.在終端執行以下命令激活 fastdeploy-env 虛擬環境：

source fastdeploy-env/bin/activate

創建成功，在旁邊文件目錄中會有 fastdeploy-env 文件

4.安裝 paddlepaddle-gpu：3.1.0版本

python -m pip install paddlepaddle-gpu==3.1.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/

虛擬環境下未報錯：

直接使用主用戶權限安裝：

雖然安裝成功，但是以 root 用戶運行 pip 有風險：一是若軟件包有漏洞或惡意代碼，會借 root 權限破壞系統權限，致系統異常；二是易與系統包管理器沖突，引發軟件功能及管理操作問題 。
5.安裝 FastDeploy：
A800屬于 SM80/90 架構 GPU使用下面命令

# Install stable release
python -m pip install fastdeploy-gpu -i https://www.paddlepaddle.org.cn/packages/stable/fastdeploy-gpu-80_90/ --extra-index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple# Install latest Nightly build
python -m pip install fastdeploy-gpu -i https://www.paddlepaddle.org.cn/packages/nightly/fastdeploy-gpu-80_90/ --extra-index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

虛擬環境內，安裝順利未報錯。

未安裝虛擬環境，直接執行指令也會成功，但是有個警告。這是 pip 給出的非強制性警告，以 root 用戶（最高權限）運行 pip install，可能導致系統級權限混亂（比如覆蓋系統包、權限沖突）。但當前依賴已成功安裝（Requirement already satisfied 說明包安裝沒問題）。

3.2.基礎模型部署測試

3.2.1.測試ERNIE-4.5-0.3B-Base-Paddle模型

從Gitcode上拉取模型

命令：

python -m fastdeploy.entrypoints.openai.api_server \--model baidu/ERNIE-4.5-0.3B-Base-Paddle \--port 8180 \--metrics-port 8181 \--engine-worker-queue-port 8182 \--max-model-len 32768 \--max-num-seqs 32

部署時長約5分鐘，成功后會如下圖顯示。

查看端口是否連接成功，驗證服務狀態（HTTP 200 表示成功）：

curl -i http://0.0.0.0:8180/health

部署總結：有嚴格的環境要求，不滿足依賴會一直報錯，比較挺難受。
注意：Ctrl+C退出連接，要想成功與模型交互則不能退出連接，結束與模型交互后再退出（博主經驗之談）

測試模型的文件代碼：
主要關注三點：模型響應時間、模型使用token和模型回復結果

import requests
import json
import time
from datetime import timedeltadef main():# 設置API端點server_ip = "127.0.0.1"  # 本地測試用127.0.0.1，公網訪問用服務器IPurl = f"http://{server_ip}:8180/v1/chat/completions"# 設置請求頭headers = {"Content-Type": "application/json"}# 構建請求體data = {"model": "ERNIE-4.5-0.3B-Base-Paddle",  "messages": [{"role": "user","content": "你是一名人民教師，請介紹一下你自己？請詳細回答。"}],"temperature": 0.7,  # 可選參數：控制響應隨機性"max_tokens": 2000    # 可選參數：最大生成長度}try:# 記錄請求開始時間start_time = time.time()# 發送請求response = requests.post(url, headers=headers, data=json.dumps(data))# 記錄請求結束時間并計算耗時end_time = time.time()elapsed_time = end_time - start_time# 檢查響應狀態response.raise_for_status()# 解析響應result = response.json()# 打印響應結果print(f"狀態碼: {response.status_code}")print(f"響應耗時: {timedelta(seconds=elapsed_time)}")# 提取輸出Token數量（如果API返回）token_usage = result.get("usage", {})prompt_tokens = token_usage.get("prompt_tokens", "N/A")completion_tokens = token_usage.get("completion_tokens", "N/A")total_tokens = token_usage.get("total_tokens", "N/A")print(f"Token使用: 輸入[{prompt_tokens}] | 輸出[{completion_tokens}] | 總計[{total_tokens}]")# 打印響應內容print("響應內容:")print(json.dumps(result, indent=2, ensure_ascii=False))# 提取并打印AI的回復內容if "choices" in result and len(result["choices"]) > 0:ai_message = result["choices"][0]["message"]["content"]print("\n文心4.5大模型回復:")print(ai_message)except requests.exceptions.ConnectionError:print(f"連接錯誤: 無法訪問 {url}，請確保服務已啟動且端口開放")except requests.exceptions.RequestException as e:print(f"請求錯誤: {e}")except json.JSONDecodeError:print(f"JSON解析錯誤，原始響應: {response.text}")except Exception as e:print(f"發生未知錯誤: {e}")if __name__ == "__main__":main()

prompt1：

你是一名人民教師，請介紹一下你自己？請詳細回答。

模型響應時間：14.7S
輸出token：1109
模型從人民教師的角度詳細介紹了自己，是一個比較好的自我介紹。

prompt2：

模型推理結果：


正確答案公布

房間1（黃色）：挪威人，抽Dunhill，喝水，養貓
房間2（藍色）：丹麥人，抽Blends，喝茶，養馬
房間3（紅色）：英國人，抽Pall Mall，喝牛奶，養鳥
房間4（綠色）：德國人，抽Prince，喝咖啡，養魚
房間5（白色）：瑞典人，抽Blue Master，喝啤酒，養狗

可見0.3B模型推理回復有嘗試梳理房間人員、行為等關聯，呈現推導步驟的優點，符合推理題解題思路；但存在邏輯混亂問題，同一房間信息交叉重復，未形成清晰對應邏輯，且結論錯誤冗余，無法像正確答案簡潔準確呈現對應關系 。

3.2.2.測試ERNIE-4.5-21B-A3B-Base-Paddle模型

首先Ctrl+C退出8180端口鏈接

拉取21B模型，模型專注文本領域

python -m fastdeploy.entrypoints.openai.api_server \--model baidu/ERNIE-4.5-21B-A3B-Base-Paddle \--port 8180 \--metrics-port 8181 \--engine-worker-queue-port 8182 \--max-model-len 32768--max-num-seqs 32

注：記得在虛擬環境里面啟動不然會報錯

這里有個變動，剛剛文件都是默認安裝到系統盤的，換了21B導致系統盤內存不夠了,我們把文件放入數據盤，像上面執行一樣的命令即可。文件目錄成功后，如下圖顯示。

盡管這樣設置了30GB+50GB的A800單卡GPU仍然不能部署成功，系統盤滿了。

不得以要換一個服務器。新服務器實例設置如下：
部署時長約15分鐘，終于成功了。

測試代碼

import requests
import json
import time
from datetime import timedeltadef main():# 設置API端點server_ip = "127.0.0.1"  # 本地測試用127.0.0.1，公網訪問用服務器IPurl = f"http://{server_ip}:8180/v1/chat/completions"# 設置請求頭headers = {"Content-Type": "application/json"}# 構建請求體（整合邏輯謎題條件）puzzle_conditions = ["有五個不同顏色的房間排成一列，每個房間住著不同國籍的人，每人喝不同的飲料，抽不同品牌的香煙，養不同的寵物。已知以下條件：","1. 英國人住在紅色房間；","2. 瑞典人養狗；","3. 丹麥人喝茶；","4. 綠色房間在白色房間左邊；","5. 綠色房間主人喝咖啡；","6. 抽 Pall Mall 香煙的人養鳥；","7. 黃色房間主人抽 Dunhill 香煙；","8. 住在中間房間的人喝牛奶；","9. 挪威人住在第一間房；","10. 抽 Blends 香煙的人住在養貓的人隔壁；","11. 養馬的人住在抽 Dunhill 香煙的人隔壁；","12. 抽 Blue Master 香煙的人喝啤酒；","13. 德國人抽 Prince 香煙；","14. 挪威人住在藍色房間隔壁；","15. 抽 Blends 香煙的人有一個喝水的鄰居。","請通過邏輯推理，確定每個房間的顏色、住客國籍、飲料、香煙品牌和寵物的對應關系。"]data = {"model": "ERNIE-4.5-21B-A3B-Base-Paddle",  "messages": [{"role": "user","content": "\n".join(puzzle_conditions)  # 拼接條件為清晰的文本}],"temperature": 0.7,  # 可選參數：控制響應隨機性"max_tokens": 2000    # 可選參數：最大生成長度}try:# 記錄請求開始時間start_time = time.time()# 發送請求response = requests.post(url, headers=headers, data=json.dumps(data))# 記錄請求結束時間并計算耗時end_time = time.time()elapsed_time = end_time - start_time# 檢查響應狀態response.raise_for_status()# 解析響應result = response.json()# 打印響應結果print(f"狀態碼: {response.status_code}")print(f"響應耗時: {timedelta(seconds=elapsed_time)}")# 提取輸出Token數量（如果API返回）token_usage = result.get("usage", {})prompt_tokens = token_usage.get("prompt_tokens", "N/A")completion_tokens = token_usage.get("completion_tokens", "N/A")total_tokens = token_usage.get("total_tokens", "N/A")print(f"Token使用: 輸入[{prompt_tokens}] | 輸出[{completion_tokens}] | 總計[{total_tokens}]")# 打印響應內容print("響應內容:")print(json.dumps(result, indent=2, ensure_ascii=False))# 提取并打印AI的回復內容if "choices" in result and len(result["choices"]) > 0:ai_message = result["choices"][0]["message"]["content"]print("\n文心4.5大模型回復:")print(ai_message)except requests.exceptions.ConnectionError:print(f"連接錯誤: 無法訪問 {url}，請確保服務已啟動且端口開放")except requests.exceptions.RequestException as e:print(f"請求錯誤: {e}")except json.JSONDecodeError:print(f"JSON解析錯誤，原始響應: {response.text}")except Exception as e:print(f"發生未知錯誤: {e}")if __name__ == "__main__":main()

模型返回結果：
模型響應時間：6m06s
輸出token：10000。測試代碼設置的"max_tokens": 10000

官方沒說明21B模型支持深度思考，但是模型似乎陷入深度思考困境了，未能最終返回正確結果

多輪對話測試

import requests
import json
import time
from datetime import timedeltadef stream_chat_test():"""測試模型在不同領域的連續對話能力"""server_ip = "127.0.0.1"url = f"http://{server_ip}:8180/v1/chat/completions"headers = {"Content-Type": "application/json"}# 定義多輪對話問題（數學、古詩、翻譯）messages = [# 數學問題{"role": "user", "content": "計算二重積分 ?(x2+y2)dxdy，積分區域為 x2+y2≤4"},# 古詩理解{"role": "user", "content": "賞析李白《將進酒》中'天生我材必有用，千金散盡還復來'的意境和情感"},# 英語翻譯{"role": "user", "content": "將以下段落翻譯成英文：'中國古代四大發明對世界文明的發展產生了深遠影響，尤其是造紙術和印刷術的發明，極大地促進了知識的傳播和文化的交流。'"}]for i, message in enumerate(messages):print(f"\n=== 第 {i+1} 輪對話 [{['數學', '古詩', '翻譯'][i]}] ===")print(f"用戶: {message['content']}")data = {"model": "ERNIE-4.5-0.3B-Base-Paddle","messages": messages[:i+1],"temperature": 0.5,  # 降低隨機性，提高準確性"max_tokens": 2000,"stream": True}try:start_time = time.time()response = requests.post(url, headers=headers, data=json.dumps(data), stream=True)response.raise_for_status()print("AI回復:")full_content = ""for chunk in response.iter_lines():if chunk:chunk_data = chunk.decode('utf-8').lstrip('data: ')if chunk_data == '[DONE]':breaktry:chunk_json = json.loads(chunk_data)content = chunk_json["choices"][0]["delta"].get("content", "")full_content += contentprint(content, end='', flush=True)except Exception as e:print(f"\n解析錯誤: {e}")print(f"原始數據: {chunk_data}")print()  # 換行end_time = time.time()print(f"響應耗時: {timedelta(seconds=end_time - start_time)}")print(f"回復長度: {len(full_content)} 字符")# 將回復添加到消息列表中messages.append({"role": "assistant", "content": full_content})except Exception as e:print(f"請求錯誤: {e}")if __name__ == "__main__":stream_chat_test()

返回結果

=== 第 1 輪對話 [數學] ===
用戶: 計算二重積分 ?(x2+y2)dxdy，積分區域為 x2+y2≤4
AI回復:
### 問題陳述計算二重積分 ?(x2 + y2) dxdy，積分區域為 x2 + y2 ≤ 4。### 初步理解首先，我需要明確題目在問什么。我們有一個二重積分，被積函數是 x2 + y2，積分區域是所有滿足 x2 + y2 ≤ 4 的點。這個不等式描述的是一個以原點為中心，半徑為 2 的圓。### 積分區域的描述積分區域 x2 + y2 ≤ 4 是一個圓，其半徑為 2。在直角坐標系中，這個區域可以表示為所有 (x, y) 滿足 x2 + y2 ≤ 4 的點。為了計算這個二重積分，可以考慮使用極坐標變換，因為被積函數和積分區域都具有旋轉對稱性。### 極坐標變換在極坐標下，x = r cosθ，y = r sinθ，且 dxdy = r dr dθ。被積函數 x2 + y2 = r2。因此，積分可以表示為：?(x2 + y2) dxdy = ∫∫ r2 * r dr dθ = ∫∫ r3 dr dθ### 積分區域的極坐標表示在極坐標下，x2 + y2 ≤ 4 對應于 r ≤ 2。角度 θ 的范圍是從 0 到 2π，因為這是一個完整的圓。### 設置積分限因此，積分可以表示為：∫ (θ=0 to 2π) ∫ (r=0 to 2) r3 dr dθ### 計算內積分（關于 r）先計算關于 r 的積分：∫ (r=0 to 2) r3 dr = [r? / 4] from 0 to 2 = (2? / 4) - (0? / 4) = 16 / 4 = 4### 計算外積分（關于 θ）然后計算關于 θ 的積分：∫ (θ=0 to 2π) 4 dθ = 4 * [θ] from 0 to 2π = 4 * (2π - 0) = 8π
響應耗時: 0:01:14.363007
回復長度: 2851 字符=== 第 2 輪對話 [古詩] ===
用戶: 賞析李白《將進酒》中'天生我材必有用，千金散盡還復來'的意境和情感
AI回復:
李白《將進酒》中的“天生我材必有用，千金散盡還復來”兩句，以豪邁的筆觸展現了詩人對自我價值的堅定信念與豁達胸襟，其意境與情感可作如下賞析：### **一、意境：豪邁與超脫的交織**
1. **自然意象的隱喻**  “天生我材必有用”以“天生”與“材”的對比，暗含天地造物之奇與個體價值的契合。李白將自我比作“材”，既是對自身才華的自信，也隱含對宇宙規律的敬畏——天意既已賦予才華，便無需懷疑其存在的必然性。  “千金散盡還復來”則以“千金”象征世俗財富的短暫與虛幻，與“天生我材”形成對比：當物質財富消散時，精神與才華的永恒價值反而凸顯，形成“散盡”與“復來”的張力，暗示物質與精神的辯證關系。2. **時空的宏闊感**  詩句以“天生我材”的永恒性（“天生”）與“千金散盡”的瞬時性（“散盡”）對比，構建出時間維度上的巨大落差。這種對比不僅強化了詩句的豪邁感，更暗含對人生短暫與永恒價值的思考——個體的價值超越了時間的限制，成為永恒的存在。### **二、情感：自信與灑脫的統一**
1. **自信的底氣**  “天生我材必有用”是李白對自我價值的絕對肯定。在唐代士人以科舉為進階之路的時代，李白雖未中科舉，卻以“天生我材”的宣言，將才華視為超越世俗功名的終極資本。這種自信源于他對自身才華的深刻認知，也暗含對命運安排的主動接納——既然天意已定，便無需迎合世俗標準。2. **灑脫的豁達**  “千金散盡還復來”則展現了李白對物質財富的淡然態度。在唐代，財富是社會地位的重要標志，但李白卻以“散盡”為樂，甚至以“還復來”的從容，將財富的消散視為一種“游戲”。這種灑脫源于他對人生無常的深刻理解——財富如浮云，而精神與才華的永恒價值才是人生的真諦。### **三、文化內涵：盛唐精神的縮影**
1. **盛唐氣象的體現**  《將進酒》作于盛唐時期，當時社會開放、文化多元，士人階層追求個性解放與精神自由。李白以“天生我材必有用”的自信，與“千金散盡還復來”的灑脫，共同構成了盛唐士人“自信人生二百年，會當水擊三千里”的精神風貌。2. **對世俗的超越**  詩句中“天生我材”與“千金散盡”的對比，暗含對世俗價值觀的批判。李白以才華為“材”，以財富為“散盡”之物，實質是對“以財論英雄”的世俗標準的否定。這種超越不僅是個體的選擇，更是盛唐文化對個體價值的尊重與推崇。### **四、藝術特色：語言的張力與節奏**
1. **對仗的工整**  “天生我材必有用”與“千金散盡還復來”形成對仗，前句強調“天生”與“材”的必然性，后句強調“散盡”與“復來”的從容。這種對仗不僅增強了詩句的節奏感，更通過對比強化了情感的張力。2. **語言的豪放與凝練**  李白以“天生我材必有用”的豪放宣言，與“千金散盡還復來”的灑脫態度，共同構成了《將進酒》的核心精神。這種語言風格既符合盛唐詩歌的豪放傳統，又體現了李白對個體價值的深刻思考。### **結語**
“天生我材必有用，千金散盡還復來”是李白《將進酒》中最具代表性的詩句，它以豪邁的筆觸展現了詩人對自我價值的堅定信念與對世俗財富的淡然態度。這兩句詩不僅是個體的宣言，更是盛唐文化精神的縮影——它以自信與灑脫，詮釋了“天生我材”的永恒價值，也以“千金散盡”的從容，展現了盛唐士人對精神自由的追求。
響應耗時: 0:00:36.329124
回復長度: 1424 字符=== 第 3 輪對話 [翻譯] ===
用戶: 將以下段落翻譯成英文：'中國古代四大發明對世界文明的發展產生了深遠影響，尤其是造紙術和印刷術的發明，極大地促進了知識的傳播和文化的交流。'
AI回復:
The four great inventions of ancient China had a profound impact on the development of world civilization, especially the invention of paper and printing, which greatly promoted the dissemination of knowledge and cultural exchange.
響應耗時: 0:00:01.594493
回復長度: 231 字符

問題類型	響應時間	輸出 Token 量
數學問題	0:01:14.363007	約 475
古詩賞析	0:00:36.329124	約 237
翻譯問題	0:00:01.594493	約 38

1. 數學問題：回復質量很高，不僅能準確解決了高等數學求解二重積分問題，還通過詳細的文字說明降低了理解難度，是非常好的講解示例，模型數學能力良好。
2. 古詩賞析：從古詩賞析的完整性和深度來看，能夠全面剖析詩句的意境與情感，有一定文學價值和思考深度，對于普通讀者理解詩句有幫助，但在專業文學賞析的簡潔精準度上有提升空間。
3. 從翻譯準確性和表意來看，能夠正確傳達原文內容，屬于合格翻譯。但在專業術語（“造紙術” ）和部分表達的精準性（ “文化交流” 單復數 ）上表達不夠準確，用于一般交流場景沒問題，用于專業翻譯場景需優化 。

總結：數學問題表現突出，古詩賞析有深度但稍顯繁瑣，翻譯合格但有細節可優化，整體能滿足基本的知識問答和任務需求，但在專業精準度上部分場景還有提升空間。

3.2.3.測試ERNIE-4.5-VL-28B-A3B-Paddle模型

此模型是多模態模型，支持圖像與文本，且支持深度思考。

拉取28B模型

注：單卡部署時，至少需要 80GB 的 GPU 顯存 。

python -m fastdeploy.entrypoints.openai.api_server \--model baidu/ERNIE-4.5-VL-28B-A3B-Paddle \--port 8180 \--metrics-port 8181 \--engine-worker-queue-port 8182 \--max-model-len 32768 \--enable-mm \--reasoning-parser ernie-45-vl \--max-num-seqs 32

部署大約需要分鐘25分鐘

在github上找了一個表情包視覺標注數據集，來測試模型能力。

數據集樣例

上傳圖片文件到服務器，一次測試七個圖片

測試代碼（部分）：

  image_base64 = image_to_base64(image_path)data = {"model": "ERNIE-4.5-VL-28B-A3B-Paddle",  "messages": [{"role": "user","content": [{"type": "text","text": "請詳細解讀這張圖片的內容，包括場景、人物、物品、動作、情感等方面"},{"type": "image","data": image_base64}]}],"temperature": 0.7,  "max_tokens": 2000    }

各圖片的模型響應時間和 Token 使用量

圖片編號	處理時間	輸入 Token	輸出 Token	總計 Token
01.jpg	0:00:17.087648	109	1076	1185
02.jpg	0:00:14.027379	58	902	960
03.jpg	0:00:15.145840	149	966	1115
04.jpg	0:00:12.958280	557	815	1372
05.jpg	0:00:13.706061	1549	822	2371
06.jpg	0:00:16.360591	557	1034	1591
07.jpg	0:00:16.570574	488	1050	1538

模型處理圖片平均約 15 秒，輸入輸出 Token 比約 1:6.8。

圖片01

模型給出的解析：

圖片07
模型給出的解析：

模型解析全面深入，從畫面元素、場景隱喻到社會心理等多維度剖析，專業且具深度；示例答案更偏向通俗解讀。可見文心28B多模態模型圖像理解能力強，能精準挖掘內涵、體現文化洞察，遠超示例的表層分析 。

在28B模型上再次測試同一邏輯推理謎題

響應時間：2m30s

符合官方給出的模型能力描述，對于復雜邏輯題，模型響應迅速。推理基本正確且能用表格呈現一一對應的關系，但仍存推理漏洞優于0.3B和21B模型。

4.生態協同能力

文心一言4.5以飛槳為核心構建開源生態，形成產學研深度協同的創新體系。

4.1. 開源社區活躍度

• GitHub倉庫（PaddlePaddle/ERNIE）星標數超6.8K，開發焦點集中于模型壓縮、多語言擴展、行業數據集構建等方向。
  

• Hugging Face模型頁累計訪問量超50萬次，開發者圍繞醫療、法律、教育等垂直領域提交超200個微調方案，其中“醫療影像報告生成”“法律文書自動審核”等場景方案下載量突破10萬次，展現社區強大創新活力。

• 飛槳星河社區：作為百度飛槳生態的重要組成部分，飛槳星河社區為文心大模型 4.5 的開發者提供了豐富的資源和交流平臺。社區內有大量關于文心大模型 4.5 的使用教程、技術分享，在社區可以一鍵部署使用4.5模型。
  
  
  在后臺可以看到調用次數
  

• GitCode 社區：GitCode 社區 近年來發展迅速，吸引了眾多對開源模型感興趣的開發者。百度選擇在此社區開源文心大模型 4.5 系列，使得利用 GitCode 社區模型應用開發的權重進一步增加。在 GitCode 上，開發者們可以便捷地獲取模型的開源代碼和預訓練權重，利用平臺提供的在線開發環境進行模型的調試和應用開發。同時，社區內活躍的交流氛圍也促進了不同開發者之間的技術合作，加速了模型在各類場景下的應用創新。

• 百度智能云平臺：百度智能云千帆大模型平臺為文心大模型 4.5 系列提供了強大的 API 支持。獲取專屬的 API 密鑰，調用模型能力。

4.2. 工具鏈與生態兼容性

• 訓練工具：ERNIEKit提供數據預處理、模型壓縮、指令精調全流程API，支持LoRA、QLoRA等輕量化技術，企業可完成行業模型定制，大幅降低開發門檻。
• 部署工具：FastDeploy支持vLLM與OpenAI協議兼容，通過一行命令啟動API服務，無縫對接現有業務系統。
  基于以下命令可快速搭建兼容OpenAI接口的本地服務：

  python -m fastdeploy.entrypoints.openai.api_server --model ./model --port 8080  
  

• 硬件適配：依托飛槳異構調度能力，模型可在NVIDIA、昇騰、英特爾等芯片間動態遷移，在麒麟OS系統+昇騰910B硬件組合中，推理效率較純CPU環境提升8倍，全面適配國產化信創需求。

5.總結

• 底層穩定性：基于飛槳框架的高效訓練體系與MoE架構創新，文心4.5在長序列建模、多模態推理等復雜任務中表現出領先魯棒性，47%的MFU利用率與無損量化技術為大規模工程化落地奠定基礎。
• 部署落地性：從424B大模型到0.3B輕量模型的全譜系覆蓋，結合FastDeploy的多硬件適配能力，構建“云端-邊緣-終端”一體化部署矩陣，企業可通過“預訓練-微調-量化”標準化鏈路實現快速落地。
• 社區創新潛力：Apache 2.0開源協議與全流程工具鏈降低技術壁壘，Hugging Face與飛槳社區的高頻貢獻預示模型在醫療、工業等垂直領域的持續進化空間。

文心一言4.5無疑是國內大模型開源典范，它聚技術架構創新、高效工程化部署及開放開源生態為一體。其多模態理解與企業場景落地能力，為AGI時代產業智能化提供技術與商業兼具的基礎設施，推動中國大模型技術向通用人工智能發展。

一起來輕松玩轉文心大模型吧
🚀文心大模型免費下載地址：https://ai.gitcode.com/theme/1939325484087291906