/ Модель

Характеристики

Контекст
131 072 токена
Параметры
47,1 млрд
Размер весов
847 ГБ
Лицензия
Apache 2.0
Архитектура
ernie4_5_moe_vl · dense
Библиотека
transformers
Опубликована
28 июн 2025

ERNIE-4.5-VL-424B-A47B-PT

Генерация текстаТекст → текст11 профессий

Мультимодальная MoE-модель Baidu для диалогов и рассуждений по тексту и изображениям с контекстом до 131 072 токенов.

753скачиваний за 30 дней105лайковвеса обновлены16 янв 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

Загружаем оценки…

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ERNIE-4.5-VL-424B-A47B-PT — мультимодальная модель семейства ERNIE 4.5 от Baidu для диалогового взаимодействия с текстом и изображениями. Это вариант с весами PyTorch для Transformers; модель построена на архитектуре MoE и содержит 424 млрд параметров, из которых для каждого токена активируется около 47 млрд. Она принимает текст и изображения и генерирует текст, поддерживает контекст до 131 072 токенов и ориентирована на понимание изображений, мультимодальные рассуждения, языковое понимание и генерацию. Вариант прошёл постобучение с использованием SFT и методов оптимизации предпочтений.

Модель подходит для ответов на вопросы по изображениям, визуального анализа и диалога с учётом изображения, а также для обычных текстовых диалогов и генерации. В README описаны режимы рассуждения с включённым и выключенным пошаговым анализом. Для запуска через vLLM требуется версия 0.11.2 или новее; приведённая конфигурация использует 16 GPU по 80 ГБ. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по содержимому изображений
  • описание и визуальный анализ изображений
  • мультимодальные диалоги с опорой на изображение
  • рассуждения по текстовым и визуальным данным
  • генерация текста в диалоговом интерфейсе

Ограничения

Для запуска через vLLM требуется версия 0.11.2 или новее; в README приведена конфигурация с 16 GPU по 80 ГБ. Заявленные в README возможности 4- и 2-битного квантования не означают, что данный репозиторий содержит квантованные веса: в метаданных указан формат safetensors.

Для каких профессий подходит11

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ERNIE-4.5-VL-424B-A47B

[!NOTE] Note: "-Paddle" models use PaddlePaddle weights, while "-PT" models use Transformer-style PyTorch weights.

ERNIE 4.5 Highlights

The advanced capabilities of the ERNIE 4.5 models, particularly the MoE-based A47B and A3B series, are underpinned by several key technical innovations:

  1. Multimodal Heterogeneous MoE Pre-Training: Our models are jointly trained on both textual and visual modalities to better capture the nuances of multimodal information and improve performance on tasks involving text understanding and generation, image understanding, and cross-modal reasoning. To achieve this without one modality hindering the learning of another, we designed a heterogeneous MoE structure, incorporated modality-isolated routing, and employed router orthogonal loss and multimodal token-balanced loss. These architectural choices ensure that both modalities are effectively represented, allowing for mutual reinforcement during training.

  2. Scaling-Efficient Infrastructure: We propose a novel heterogeneous hybrid parallelism and hierarchical load balancing strategy for efficient training of ERNIE 4.5 models. By using intra-node expert parallelism, memory-efficient pipeline scheduling, FP8 mixed-precision training and finegrained recomputation methods, we achieve remarkable pre-training throughput. For inference, we propose multi-expert parallel collaboration method and convolutional code quantization algorithm to achieve 4-bit/2-bit lossless quantization. Furthermore, we introduce PD disaggregation with dynamic role switching for effective resource utilization to enhance inference performance for ERNIE 4.5 MoE models. Built on PaddlePaddle, ERNIE 4.5 delivers high-performance inference across a wide range of hardware platforms.

  3. Modality-Specific Post-Training: To meet the diverse requirements of real-world applications, we fine-tuned variants of the pre-trained model for specific modalities. Our LLMs are optimized for general-purpose language understanding and generation. The VLMs focuses on visuallanguage understanding and supports both thinking and non-thinking modes. Each model employed a combination of Supervised Fine-tuning (SFT), Direct Preference Optimization (DPO) or a modified reinforcement learning method named Unified Preference Optimization (UPO) for post-training.

During the fine-tuning stage of a vision-language model, the deep integration between vision and language plays a decisive role in the model’s performance across complex tasks such as understanding, reasoning, and generation. To enhance the generalization and adaptability of the model on multimodal tasks, we focused on three core capabilities—image understanding, task-specific fine-tuning, and multimodal chain-of-thought reasoning—and carried out systematic data construction and training strategy optimization. Additionally, we use RLVR(Reinforcement Learning with Verifiable Rewards) to further improve alignment and performance. After the SFT and RL stages, we obtained ERNIE-4.5-VL-424B-A47B.

Model Overview

ERNIE-4.5-VL-424B-A47B is a multimodal MoE Chat model based on ERNIE-4.5-VL-424B-A47B-Base, with 424B total parameters and 47B activated parameters for each token. The following are the model configuration details:

KeyValue
ModalityText & Vision
Training StagePosttraining
Params(Total / Activated)424B / 47B
Layers54
Heads(Q/KV)64 / 8
Text Experts(Total / Activated)64 / 8
Vision Experts(Total / Activated)64 / 8
Context Length131072

Quickstart

vLLM inference

vllm >= 0.11.2

# 80G * 16 GPU
vllm serve baidu/ERNIE-4.5-VL-424B-A47B-PT --tensor-parallel-size 16 --trust-remote-code

License

The ERNIE 4.5 models are provided under the Apache License 2.0. This license permits commercial use, subject to its terms and conditions. Copyright (c) 2025 Baidu, Inc. All Rights Reserved.

Citation

If you find ERNIE 4.5 useful or wish to use it in your projects, please kindly cite our technical report:

@misc{ernie2025technicalreport,
      title={ERNIE 4.5 Technical Report},
      author={Baidu ERNIE Team},
      year={2025},
      eprint={},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={}
}

Как запустить

На своей GPU в ailist или через готовый API. Цены — по текущим предложениям провайдеров

GPU в ailist

vLLM

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

API через OpenRouter

baidu/ernie-4.5-vl-424b-a47b

Недоступна

$0.42 / $1.25

OpenRouter больше не отдаёт эту модель.

Класс архитектуры
Ernie4_5_VLMoeForConditionalGeneration
Ревизия весов
a3d5a84

0 моделей