图片系AI生成

3月16日，文心大模型两周年之际，百度如约发布了国内首个原生多模态大模型文心4.5，以及深度思考模型X1。与以往不同，百度本次没有选择召开发布会，而是直接宣布模型在文心一言官网上线，免费向用户开放，文心大模型4.5也面向企业用户和开发者开放，在百度智能云千帆大模型平台即可调用API。据悉，文心大模型4.5、X1也将陆续上线百度搜索、文小言APP等产品。

价格方面，文心大模型4.5的API调用输入价格为0.004元/千tokens，输出0.016元/千tokens，约为GPT4.5价格的1%；文心大模型X1定价为输入0.002元/千tokens，输出0.008元/千tokens，即将在千帆平台上线。

尽管4.5文心大模型是一个中间版本，是基于4.0版本的强化，但是通常而言，官方会出面做发布并解读产品、技术亮点，OpenAI在日前也举办了GPT4.5的线上发布会，本次百度的策略更显特殊。

行业气氛有些微妙，百度可能比以往任何时刻都需要再度证明自己。

百度纠偏，想要继续站在舞台中央

如果说DeepSeek的到来，给全球所有大模型公司都提了个醒，那么百度则通过一系列的动作，展示了应该如何留在大模型的牌桌上。

原来的百度是有些“偶像包袱”的。自OpenAI发布ChatGPT以来，百度是更早推出同类大模型产品的国内厂商，All in AI的战略也被视为具备前瞻性，凭借超前的眼光、技术储备等资源，百度被视作“中国OpenAI”。

科技行业不缺少新叙事，其魅力就在于不可预知性，大模型行业领先优势可能只能维持半年，当巨头们纷纷下重注投入生成式AI，行业又达成一个新观点，“大模型是巨头企业的游戏”，可随后DeepSeek开源、低成本的大模型引起了新的风潮，包括OpenAI、百度等在内的全球所有AI企业发现，大模型的未来言之尚早。

就像百度创始人李彦宏此前所说，“创新不能被计划，你不知道创新何时到来，你所能做的就是营造一个有利于创新的环境。”百度此前的成功在于建立了一个适合创新的环境，但是如今的百度需要甩掉“偶像包袱”，用实际行动证明自己还有留在牌桌的筹码。

好的一面是，李彦宏不惜推翻自己此前的判断，快速又坚决地推动了一系列动作，文心一言完全免费、文心4.5将在6月30日正式开源，百度核心业务搜索接入DeepSeek等。

据悉，在本次文心4.5和X1大模型发布之后，百度后续还会有文心4.5系列模型，以及下半年更先进的下一代模型5.0版本。

即便与两年前的自己对比，百度都有了明显提速，有百度内部人士表示，无论是文心4.5全面免费，还是PC和移动双端直接上现货，百度管理层几乎实在半天之内就做出决策。

但这也不意味着百度完全失去了自己的节奏，文心4.5主打的原生多模态，X1主打的多功能调用，研发储备都需要数月甚至一年，证明百度只是加快了自己的节奏，而不是失去了对技术的嗅觉。

长远来看，百度可能有一些预判失误，比如跟随OpenAI的过早商业化决策失误，但这不影响一些大模型产业的基本逻辑，更前沿的大模型仍在路上，生态的重要性继续提高。

人工智能时代的技术栈，芯片层、框架层、模型层和应用层协同优化，才能大幅提升效率，百度从昆仑芯到飞桨深度学习框架，再到文心预训练大模型，各个层面都有布局，从而降低成本，提高创新效率。

回到本次发布，为何百度选择“一言不发”，而是产品全量上线？上述百度内部人士表示，“发言不如发产品，现在百度说什么外界可能都觉得不对，最简单粗暴的方法就是用产品说话，4.5是升级，但比5.0重要性差很多，大家更有危机感了，战略调整、技术迭代的效果需要一段时间显现。”

作为百度重新证明自己的阶段产品，原生多模态大模型文心4.5，以及深度思考模型X1，透露出百度哪些动向？

文心4.5更聪明了，原生多模态才是重点

文心大模型4.5有两个关键词，国内首个万亿级参数的原生多模态大模型，Scaling Law告诉我们，参数越大模型智能越强，但是参数量到了一定级别，模型智能的提升收益大幅下降。

文心4.5的策略是通过多个模态联合建模实现协同优化，具备更精进的语言能力，理解、生成、逻辑、记忆能力全面提升，并且去幻觉、逻辑推理、代码能力显著提升。

文心大模型4.5的多项基准测试成绩优于GPT4.5、DeepSeek-V3等，并在平均分上以79.6分高于GPT4.5的79.14。

其中需要格外强调的是“原生多模态”，李彦宏此前在人民网上发文有所预告，原生多模态大模型，打破之前先训练单模态模型再拼接的方式，通过统一架构实现文本、图像、音频、视频等多模态数据的‌原生级融合，实现对复杂世界的统一理解，这是迈向通用人工智能（AGI）的重要一步。

简单来说，原生多模态大语言模型是从训练阶段开始，模型就利用大量不同模态的数据进行预训练，不仅可以在输入和输出端实现多模态，而且还具备强大的多模态推理能力以及跨模态迁移能力。

微软早些时间提到，基于多模态数据原生训练的每一种单模态能力，都应该超越只在单模态数据上训练的模型的性能。更重要的是，在不同模态数据学习的过程中，模型应该能够涌现出新的能力。

从行业维度看，GPT-4尚不是原生多模态大模型，它的多模态能力是模型转化实现，比如通过语音识别模型将语音转换为文字，或者通过图像识别模型提取图像内容，然后利用GPT-4的大型语言模型生成回答。回答完毕后，系统决定是向用户返回一张图片、一段文字，还是通过语音合成技术返回一段语音输出，直到GPT-4o，OpenAI显现出原生多模态的能力。

谷歌在模型能力整理滞后GPT的情况下，押注原生多模态更早，在预训练阶段的多模态数据统一输入，将文本/语音/图像/视频的数据统一输入到一个预训练模型，然后利用额外的多模态数据对其进行微调以进一步提高其有效性。

百度文心4.5也实现了一系列创新，例如多模态异构专家扩展技术，能根据模态特点构建模态异构专家，结合自适应模态感知损失函数，解决不同模态梯度不均衡问题，提升多模态融合能力。

其他如FlashMask 动态注意力掩码技术，有效提升长序列建模能力和训练效率，优化长文处理能力和多轮交互表现；时空维度表征压缩技术，大幅提升多模态数据训练效率，增强了从长视频中吸取世界知识的能力；基于知识点的大规模数据构建技术，可构建高知识密度预训练数据，提升模型学习效率，大幅降低模型幻觉；以及基于自反馈的Post-training技术，提升强化学习稳定性和鲁棒性，大幅提升预训练模型对齐人类意图能力。

文心4.5的能力也可以从图片和视频理解，、图片生成、RAG测试、逻辑测试、文本创作等方面体现。文心4.5支持上传文档、图片、音频和视频文件，兼容常见的格式，目前在文件大小上有所限制，例如单个视频文件大小不超过20M，可能与效率和成本有关。

钛媒体App实测了一些应用场景，上传视频并要求文心4.5介绍视频内容，以及要求文心4.5给出视频的文字版，都能够给出准确回答。以及上传电影《肖申克的救赎》片段，温馨4.5亦能识别电影片段，并给出可能的电影情节。当然了，如果文心4.5给出合适的配乐，它也能根据视频的调性给出建议，说明了其跨模态的输出能力。

深度思考X1，AI Agent的雏形

文心X1由百度2023年10月发布的慢思考技术发展而来，具备更强的理解、规划、反思、进化能力，并同样支持多模态。

以电车难题为例，深度思考的文心X1给出了一个详细的回答，最终选择了拉下操纵杆，将列车切换到另一条轨道，它的结论是：在封闭条件下，基于功利主义最大化生存数量的原则，选择牺牲1人拯救5人。但需警惕此类逻辑被滥用，并持续反思其伦理边界。

文心X1 是能力更全面的深度思考模型，在观点输出上更为直接，“端水”现象有所减少，针对复杂问题，能够结合联网搜索最新信息，详细拆解给出全面的回复，譬如规划旅游项目，可行性更高且更符合要求。

钛媒体APP了解到，其采用了递进式强化学习训练方法，且基于思维链和行动链端到端训练，同时建立了统一的评估系统，融合多种类型的奖励机制，在中文知识问答、文学创作、文稿写作、日常对话、逻辑推理、复杂计算及工具调用等方面表现不错。

其中，多工具调用能力值得关注，也是文心X1的特色之一。目前，X1已支持高级搜索、文档问答、图片理解、AI绘图、代码解释器、网页链接读取、TreeMind树图、百度学术检索、商业信息查询、加盟信息查询、词云生成等多款工具，对于大模型应用落地是一个利好。

X1也证明了一件事，大模型本身能力的进化，实际上会淘汰掉一部分Agent，如果Agent能够被大模型原生替代，那就说明这部分Agent的价值太浅，在此领域创业注定失败。

前不久爆火并陷入争议的Manus等产品，在未来一段时间就将面临类似的烦恼，Manus的成功并并非大模型原创性突破，而是对现有技术的工程化整合，如Claude模型、Computer Use、MCP协议等，其核心创新在于将虚拟机环境与多智能体协同架构结合，使Agent能够像人类一样操作计算机完成复杂任务。

这也透露出百度另一个方向，笃定AI Agent。李彦宏也提到，推理大模型涌现出让人惊叹的深度思考能力，它将推动人工智能的一个重要应用方向，即“AI智能体”的落地，2025年可能会成为AI智能体爆发的元年。（本文首发于钛媒体APP，作者 | 张帅，编辑 | 盖虹达）