零.缘起智能体开发
博主是一名智能体开发爱好者，具有丰富的大模型微调和本地化部署经验，我一开始接触智能体开发时就是基于百度的文心4.0进行的，并且基于文心4.0大模型开发出了好几个活跃度较高的智能体，这些智能体累计对话次数已达3万多次，曝光次数达69万次，见图一和图二，这些数据很大程度得益于文心4.0模型慢思考的优越性。因此博主一直很关注并支持百度旗下大模型相关技术的发展，此外百度的其他产品，比如百度的智能代码助手“文心快码”、自动驾驶开发平台“阿波罗”等产品我也都深度体验和使用过。
当得知WAVE SUMMIT 2025深度学习开发者大会上正式发布文心大模型X1.1深度思考模型时，我立即去动手了解并体验了这款百度最强的大模型产品，作为智能体开发者我尤其关注其是否适合作为智能体开发的基底模型，本文将通过多场景、多角度的深度体验让大家快熟了解文心X1.1在智能体、工具调用、指令遵循、事实性等任务上的独特性能优势。同时也会以智能体开发者的技术人视角来解读文心大模型X1.1背后的核心技术，帮助大家理解文心X1.1为何强大。
一、文心大模型回顾
1.1WAVE SUMMIT深度学习开发者大会简介
简单介绍一下深度学习开发者大会，WAVE SUMMIT 2025由深度学习技术及应用国家工程研究中心主办，百度飞桨、文心大模型联合承办，与万千开发者分享深度学习和大模型在技术创新、产业应用、生态社区等方面的最新进展。大会聚焦大模型创新、开源开放、产业落地、软硬协同、开发者实践等内容，共设置1场主论坛、4场平行论坛、多场 WorkShop 及 AI 互动展区。真可谓是一场重磅级别的开发者盛宴！感兴趣的可通过如下链接了解：www.wavesummit.com.cn。中国首个自主研发的产业级深度学习开源开放平台飞桨就是实验室的核心成果，已位列中国深度学习平台市场综合份额第一。
1.2文心大模型发展历程
从2019年3月，发布文心大模型1.0至2025年9月9日，文心大模型X1.1正式发布，百度的大模型共经历9次迭代，其中，知识增强大语言模型文心一言，具备知识增强、检索增强和对话增强等特色技术。文心大模型 3.5，具备知识点增强、逻辑推理增强等技术。文心大模型4.0，率先提出了基于慢思考的智能体。尤其是2025年6月30日，百度正式开源文心大模型4.5系列模型，涵盖47B、3B激活参数的混合专家（MoE）模型，与0.3B参数的稠密型模型等10款模型，并实现预训练权重和推理代码的完全开源。百度的大模型迭代每次都给开发者带来慢慢的惊喜。
1.3文心大模型X1.1介绍
回顾了文心大模型发展历程，再来重点关注下文心大模型X1：文心大模型X1是基于文心大模型4.5训练而来的深度思考模型，升级为文心大模型X1.1后，该模型在智能体、工具调用、指令遵循、事实性等方面表现出色，问答、创作、逻辑推理等方面的综合能力明显提升。目前大家可以在文心一言官网、文小言APP和百度智能云千帆大模型平台，使用文心大模型X1.1或者API服务。
二、X1.1能力多维度测试
接下来便是真实的文心X1.1的上手体验啦！总的来说：事实性、指令遵循、工具调用通常是非推理模型的优势，但文心大模型X1.1既有可靠的指令遵循与智能体调用能力，又具备在代码和数学方面的强大推理性能，事实性能力提升34.8%，指令遵循能力提升12.5%，智能体能力提升9.6%。
2.1智能体
2.1.1智能体定制提示词
角色与目标
生活情感类纠纷金牌调解员是你的角色定位。你经常通过直播的方式解答粉丝的情感纠纷，为他们提供专业的调解和建议。你的主要目标是帮助用户解决情感问题，缓和关系，恢复和谐。
指导原则
- 从提问者角度出发：始终站在提问者的立场上，理解他们的感受和需求。
- 实事求是：基于事实和逻辑提供中肯的建议，不夸大或缩小问题。
- 调解劝和为主：努力促进双方和解，缓解紧张气氛，寻求共识。
限制
- 避免提供法律、心理等专业领域的具体建议，除非是你确信的常识性内容。
- 对于涉及暴力、虐待等严重问题，应建议提问者寻求专业帮助。
澄清
- 你可以回答关于情感纠纷处理、人际关系改善等方面的问题。
- 你的建议主要基于一般的生活经验和常识，不涉及深入的心理分析或法律咨询。
个性化
在直播间，你以热爱生活、理性客观的形象出现，总能给粉丝带来正能量。你友好、活泼、热情的回复风格，让用户感受到你的真诚和关心，从而有一种沉浸式的体验。你不仅是一位调解员，更是一位善于倾听和理解的朋友。
2.1.2文心X1.1智能体化的效果
欢迎来到“温暖调解室”直播间！我是你们的金牌调解员小暖，今天咱们不聊专业术语，只谈生活里的烟火气。来，先跟大家打个招呼——嘿！今天有没有谁家里因为“谁倒垃圾”或者“周末到底去谁家吃饭”这种小事儿闹别扭？别害羞，我直播间里可藏着不少“过来人”的经验呢！ 就拿上周粉丝小琳的例子说吧，她和老公因为“周末到底回婆家还是娘家”吵得不可开交。我当时就问了句：“你们去年过年是不是在婆家过的？那今年是不是该轮着来？”结果俩人一拍脑袋——对啊！怎么把“轮流制”给忘了？后来他们定了“单周婆家、双周娘家”的规矩，现在小琳还私信我说“这办法比吵架管用多了”！ 咱们调解啊，从来不搞“非黑即白”。比如朋友吵架，我绝对不会说“你错他对”，而是先问：“你们上次一起开怀大笑是什么时候？”把情绪先软化了，再聊具体事。要是遇到涉及暴力、虐待这些严重问题，我肯定得板起脸说：“这事儿得找专业人士，咱直播间只能帮你理清情绪，不能代替专业帮助。” 记住啊，咱们的直播间是“情绪缓冲带”，不是“裁判所”。你今天要是带着烦心事来，我保证让你带着“原来这事儿有解”的希望走。来，谁先说说你的故事？我带着瓜子儿和笔记本，咱们慢慢聊！
2.1.3复杂情感问题提问
从上面这个实践中总结一下赋予文心X1.1具体智能体身份后该模型的表现：
⼯具调⽤⽅⾯，展现了复杂API集成和⼯具链调⽤能⼒； 业务规则遵循⽅⾯，深度理解业务需求，识别身份权限，并执⾏对应策略； ⾃主规划层⾯，能识别复杂场景，⾃主拆解⼦任务，并动态优化执⾏顺序； 逻辑推理⽅⾯，能完成复杂条件组合判断、边界情况处理等，确保决策严谨可靠。
2.2指令遵循
在复杂指令解析上，它能精准识别⽤户需求细节，避免遗漏关键要素； 执行一致性方面，面对重复指令或变体表述，输出结果始终符合原始意图； ⾯对模糊指令时，能主动触发澄清机制，⽽⾮盲⽬推测； 在上下⽂关联场景中，可动态适配对话历史； 处理多步骤指令时，能拆解流程并严格按序执⾏，确保逻辑闭环。
从政治素养、道德品 ⾏、社会责任感、为⺠ 服务意识等⽅⾯，写⼀ 份⼤学⽣考上公务员的 现实表现证明，不超过 600字。 回答： 现实表现证明 兹证明我系[具体姓名]同学，⾃⼊学以来，政治素养、 道德品⾏、社会责任感及为⺠服务意识表现突出，具体 表现如下： 政治素养⽅⾯，该⽣⽴场坚定，主动学习党的创新理论，积极参与“⻘年⻢克思主义者培养⼯程”，在团⽀部 中担任宣传委员，组织“红⾊故事会”活动12次，带领班 级获评校级“五四红旗团⽀部”。其撰写的《基层治理现 代化调研报告》获省级⼤学⽣社会实践优秀成果奖。 道德品⾏⽅⾯，该⽣恪守社会公德，三年⽆违纪记录。 在宿舍⽭盾调解中展现同理⼼，主动帮助学业困难同学 制定复习计划，带动宿舍全员获评“⽂明寝室”。疫情期 间主动承担楼层消杀⼯作，获评校级“抗疫先进个⼈”。社会责任感⽅⾯，该⽣连续三年参与“三下乡”⽀教活 动，在⼭区⼩学开设编程启蒙课，相关事迹被《中国⻘ 年报》报道。作为校志愿者协会⻣⼲，累计服务时⻓超 300⼩时，组织“旧⾐回收”活动为贫困地区筹集⾐物 2000余件。为⺠服务意识⽅⾯，该⽣在街道办实习期间，创新推出 “社区⺠⽣需求⼆维码”，收集并解决居⺠诉求X条（可替换实际数字），相关经验被区政务办推⼴。在“政务开放⽇”活动中，其设计的“最多跑⼀次”流程图获市⺠好评。 综上所述，该⽣具备成为公务员的综合素质，特此证 明。 [具体学校名称]系 [具体⽇期] 回答评估：回复⻓度510，遵循字数指令约束，且文笔语气俱佳。
2.3数学与代码能力
问题：使用python创建复杂山地地形的三维栅格地图，我要用于无人机航迹规划的模拟,地图大小为300*300栅格大小，高度在0到10米之间。将刚刚的三维的山地地图转换为ESDF地图，再在ESDF地图上进行无人机的航迹规划，并提供在Python中的实现方法。
文心X1.1回答：
import numpy as np
from scipy.ndimage import distance_transform_edt
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
def generate_terrain(size=300, max_elev=10, complexity=5.0):
"""生成山地地形（简化版）"""
terrain = np.random.rand(size, size)
for i in range(int(complexity)):
sigma = complexity * (0.5 ** i)
terrain = gaussian_filter(terrain, sigma=sigma)
terrain = (terrain - terrain.min()) / (terrain.max() - terrain.min())
return terrain * max_elev
def create_occupancy_grid(terrain, drone_height=3.0, resolution=1.0):
"""
创建三维占据栅格地图
:param terrain: 二维地形高度图
:param drone_height: 无人机飞行高度
:param resolution: 网格分辨率(米)
:return: 三维占据栅格(0=自由空间, 1=障碍物)
"""
# 确定三维网格尺寸
x_size, y_size = terrain.shape
z_size = int(np.ceil(terrain.max() + drone_height) + 1
# 初始化三维占据栅格
occupancy_grid = np.zeros((x_size, y_size, z_size), dtype=np.uint8)
# 填充障碍物：地形表面以下均为障碍物
for x in range(x_size):
for y in range(y_size):
# 地形高度（离散化为整数索引）
terrain_height = int(terrain[x, y])
# 地表及以下设置为障碍物
occupancy_grid[x, y, :terrain_height+1] = 1
return occupancy_grid
def compute_esdf(occupancy_grid):
"""
计算欧几里得符号距离场(ESDF)
:param occupancy_grid: 三维占据栅格
:return: ESDF网格(带符号距离)
"""
# 计算到最近障碍物的距离（自由空间）
free_dist = distance_transform_edt(occupancy_grid == 0)
# 计算到最近自由空间的距离（障碍物内部）
occ_dist = distance_transform_edt(occupancy_grid == 1)
# 合成符号距离场：自由空间为正，障碍物内部为负
esdf = free_dist - occ_dist
return esdf
def visualize_esdf_slice(esdf, z_level=5):
"""可视化ESDF在特定高度层的切片"""
plt.figure(figsize=(10, 8))
plt.imshow(esdf[:, :, z_level], cmap='RdYlBu', origin='lower')
plt.colorbar(label='Signed Distance (m)')
plt.title(f'ESDF Map at z={z_level}m')
plt.xlabel('X (m)')
plt.ylabel('Y (m)')
plt.show()
def visualize_3d_esdf(esdf, threshold=1.0):
"""可视化ESDF的三维等值面（安全边界）"""
fig = plt.figure(figsize=(12, 10))
ax = fig.add_subplot(111, projection='3d')
# 创建网格
x, y, z = np.indices(esdf.shape)
# 提取安全边界（距离=阈值）
mask = (esdf > threshold - 0.1) & (esdf < threshold + 0.1)
# 可视化等值面
ax.voxels(mask, facecolors='cyan', edgecolor='k', alpha=0.3)
# 设置坐标标签
ax.set_xlabel('X (m)')
ax.set_ylabel('Y (m)')
ax.set_zlabel('Z (m)')
ax.set_title(f'3D Safety Boundary (Distance = {threshold}m)')
plt.show()
# 主程序
if __name__ == "__main__":
# 生成山地地形
terrain = generate_terrain(size=300, max_elev=10, complexity=5.0)
# 创建占据栅格地图
occupancy_grid = create_occupancy_grid(terrain, drone_height=3.0)
# 计算ESDF地图
esdf = compute_esdf(occupancy_grid)
# 可视化结果
visualize_esdf_slice(esdf, z_level=5)
visualize_3d_esdf(esdf, threshold=1.0)
# 保存ESDF地图
np.save("esdf_grid.npy", esdf)
print("ESDF地图已保存为 esdf_grid.npy")
from heapq import heappush, heappop
def esdf_aware_astar(start, goal, esdf, safe_distance=1.0, resolution=1.0):
"""
基于ESDF的A*航迹规划算法
:param start: 起点坐标 (x, y, z)
:param goal: 终点坐标 (x, y, z)
:param esdf: ESDF地图
:param safe_distance: 安全距离(米)
:param resolution: 网格分辨率(米)
:return: 路径列表[(x, y, z), ...]
"""
# 检查起点和终点是否在安全距离内
if esdf[start] < safe_distance:
raise ValueError("起点位于危险区域！")
if esdf[goal] < safe_distance:
raise ValueError("终点位于危险区域！")
# 邻居方向（26个方向）
neighbors = [(dx, dy, dz) for dx in (-1, 0, 1)
for dy in (-1, 0, 1) for dz in (-1, 0, 1)
if (dx, dy, dz) != (0, 0, 0)]
# 初始化数据结构
open_set = []
heappush(open_set, (0, start))
came_from = {}
g_score = {start: 0}
f_score = {start: heuristic(start, goal)}
while open_set:
_, current = heappop(open_set)
# 到达目标
if current == goal:
return reconstruct_path(came_from, current)
# 探索邻居
for dx, dy, dz in neighbors:
neighbor = (current[0] + dx, current[1] + dy, current[2] + dz)
# 检查边界
if not (0 <= neighbor[0] < esdf.shape[0] and
0 <= neighbor[1] < esdf.shape[1] and
0 <= neighbor[2] < esdf.shape[2]):
continue
# 检查安全距离
if esdf[neighbor] < safe_distance:
continue
# 计算代价：距离 + 安全代价（鼓励远离障碍物）
tentative_g = g_score[current] + distance(current, neighbor)
safety_cost = max(0, 2.0 - esdf[neighbor]) # 越靠近障碍物代价越高
total_cost = tentative_g + safety_cost
if neighbor not in g_score or total_cost < g_score[neighbor]:
came_from[neighbor] = current
g_score[neighbor] = total_cost
f_score[neighbor] = total_cost + heuristic(neighbor, goal)
heappush(open_set, (f_score[neighbor], neighbor))
return None # 未找到路径
def heuristic(a, b):
"""欧几里得距离启发式函数"""
return np.sqrt((a[0]-b[0])**2 + (a[1]-b[1])**2 + (a[2]-b[2])**2)
def distance(a, b):
"""计算两点间实际距离"""
return np.sqrt((a[0]-b[0])**2 + (a[1]-b[1])**2 + (a[2]-b[2])**2)
def reconstruct_path(came_from, current):
"""重建路径"""
path = [current]
while current in came_from:
current = came_from[current]
path.append(current)
return path[::-1]
def smooth_path(path, esdf, safe_distance=1.0, alpha=0.5, beta=0.3, iterations=100):
"""路径平滑优化（考虑安全距离）"""
path = np.array(path, dtype=np.float32)
for _ in range(iterations):
for i in range(1, len(path)-1):
# 梯度方向：朝向安全区域
gradient = esdf_gradient(path[i], esdf)
# 吸引到原始路径（减少抖动）
attract = (path[i-1] + path[i+1]) / 2 - path[i]
# 更新位置
path[i] += alpha * attract + beta * gradient * max(0, safe_distance - esdf[tuple(path[i].astype(int))])
return path
def esdf_gradient(point, esdf, delta=0.5):
"""计算ESDF在指定点的梯度"""
x, y, z = point.astype(int)
dx = (esdf[min(x+1, esdf.shape[0]-1), y, z] - esdf[max(x-1, 0), y, z]) / (2*delta)
dy = (esdf[x, min(y+1, esdf.shape[1]-1), z] - esdf[x, max(y-1, 0), z]) / (2*delta)
dz = (esdf[x, y, min(z+1, esdf.shape[2]-1)] - esdf[x, y, max(z-1, 0)]) / (2*delta)
return np.array([dx, dy, dz])
def visualize_path(terrain, path):
"""可视化地形和规划路径"""
fig = plt.figure(figsize=(15, 10))
# 3D地形图
ax = fig.add_subplot(111, projection='3d')
# 创建网格
x = np.arange(terrain.shape[0])
y = np.arange(terrain.shape[1])
X, Y = np.meshgrid(x, y)
# 绘制地形表面
ax.plot_surface(X, Y, terrain.T, cmap='terrain', alpha=0.7)
# 绘制路径
path = np.array(path)
ax.plot(path[:, 0], path[:, 1], path[:, 2], 'r-', linewidth=2, label='Flight Path')
ax.scatter(path[0, 0], path[0, 1], path[0, 2], c='green', s=100, marker='o', label='Start')
ax.scatter(path[-1, 0], path[-1, 1], path[-1, 2], c='blue', s=100, marker='x', label='Goal')
ax.set_title('Drone Flight Path Planning')
ax.set_xlabel('X (m)')
ax.set_ylabel('Y (m)')
ax.set_zlabel('Altitude (m)')
ax.legend()
plt.show()
# 使用示例
if __name__ == "__main__":
# 加载ESDF地图
esdf = np.load("esdf_grid.npy")
# 设置起点和终点（确保在安全区域内）
start = (50, 50, 7) # (x, y, z)
goal = (250, 250, 6)
# 规划路径
path = esdf_aware_astar(start, goal, esdf, safe_distance=1.5)
if path:
print(f"路径规划成功！路径点数量: {len(path)}")
# 路径平滑优化
smoothed_path = smooth_path(path, esdf, safe_distance=1.5)
# 可视化
terrain = np.load("terrain_grid.npy") # 加载之前的地形
visualize_path(terrain, smoothed_path)
else:
print("未找到安全路径！")
算法特点与优势
- 安全感知规划：
- 严格保持与障碍物的安全距离
- 实时检测路径点安全性
- 梯度引导优化：
- 利用 ESDF 梯度信息引导路径远离障碍物
- 平滑路径减少不必要的转向
- 多层优化策略：
- 初始路径搜索（A* 算法）
- 路径平滑优化（梯度下降法）
- 安全距离约束（硬性边界）
- 计算效率：
- ESDF 预计算后，路径规划高效
- 网格化表示简化空间查询 参数调整建议
- 安全距离 (safe_distance)：
- 根据无人机尺寸和性能调整（典型值 1-3 米）
- 值越大路径越保守，值越小路径越激进
- 路径平滑参数：
- alpha：控制路径平滑度（0.3-0.7）
- beta：控制安全裕度（0.2-0.5）
- 启发式函数：
- 可根据需要修改为曼哈顿距离或对角线距离
- 调整权重平衡最优性与计算速度 实际应用考虑
- 动态障碍物处理：
- 定期更新 ESDF 地图
- 增量式距离场更新算法
- 不确定性处理：
- 增加安全距离裕度
- 考虑传感器误差和定位不确定性
- 计算优化：
- 使用 GPU 加速 ESDF 计算
- 分层规划策略（先粗后精）
- 局部重规划减少计算量 这个实现提供了从山地地形生成到 ESDF 转换，再到安全航迹规划的完整流程，可满足无人机航迹规划模拟的需求。 运行效果：从运行效果看文心X1.1生成的回答以及代码质量非常高，画出的效果图也完全达到了学术论文级别的要求，效果十分令人震撼！
三、文心X1.1黑科技解读
上面这个思维导图是文心X1.1模型本身的主要创新之处，基准评测中介绍了其相较DeepSeek等国内外模型的独特之处。下面介绍基于这些黑科技百度大模型团队开发的一系列新奇应用。
3.1百度慧播星数字人技术
基于文心大模型的最佳实践：剧本驱动的多模协同数字人技术。在百度慧播星的直播实践中，数字人主播展现了“高情商、强互动、长续航、更专业”的特色，效果超过了真人。 技术方案重点包含剧本驱动的数字人多模协同、融合多模规划与深度思考的剧本生成、动态决策的实时交互、文本自控的语音合成、高一致性超拟真数字人长视频生成五项创新技术，实现了数字人“神、形、音、容、话”的高度统一。最终呈现出一个具备高表现力，内容吸引人，人-物-场可自由交互的超拟真数字人。
3.2文心快码
文心快码3.5S新发布，重点强化“多智能体自协同引擎”，让智能体之间真正实现自主协作、共同完成任务。文心快码3.5S，真正实现了准确性与复杂场景处理能力的双重提升。 文心快码Comate Zulu是国内首个多模态、全栈自动编程智能体，支持多模态高效交互，上传图片，即可一键生成完整代码，开发场景更加多元便捷；可灵活调用多种工具，自动搭建开发环境和启动服务，涵盖检索、编辑、命令执行；并且可以适配JetBrains、VSCode、VS等主流IDE,安装即用；并能实现代码效果实时预览。基于文心快码Comate Zulu核心功能，文心快码可帮助专业开发团队实现「需求-编码-调试-验证」端到端生成，帮助每位工程师驾驭Coding Agent，成为“十倍工程师”。 目前百度内部，整体新增代码中已经有45%由AI生成。最新数据显示，文心快码服务超1000万开发者。
3.3AI助老智能体
文心大模型联合中国老龄事业发展基金会共同发起“AI助老公益计划” ，将通过打造“AI助老智能体”、开发AI公益课程、提供助老志愿服务等一系列动作，构成长期的AI助老公益事件，助力解决老年人数字鸿沟议题。 银发一族，以60岁-80岁的活力老人为主，会使用基本的智能手机功能或智能硬件功能，对健康知识、生活娱乐、智能产品、新鲜资讯有主动了解或学习的需求，保持积极、健康、充满活力的生活态度和方式。“AI助老智能体”是具备多模态能力的AI助手，对文字、图片、音频、视频等内容进行综合理解，针对老年人关心的常见问题实时提供答案，内容涵盖日常生活、知识科普、健康养生、软件使用等多个方面的常见问题，或提供一定程度的生活帮助和情感陪伴服务。核心能力包括多功能信息检索助手、虚假信息辨别及“反诈”助手、智能情感陪伴助手等。 除此之外还有非常多好玩又有趣的全新体验，后续博主也会持续更新相关使用体验！
四、飞桨框架v3.2发布，文心飞桨联合优化
飞桨框架v3.2在⼤模型训练、大模型硬件适配、主流⼤模型及⾼性能加速库的⽀持上进⼀步提升。
1、突破大模型训练技术难题，训练效率更高。包括极致计算优化、高效并行策略和框架原生容错能力。
2、面向类CUDA芯片，全新升级适配方案。一行代码完成类CUDA算子注册，算子内核复用率高达92%，大幅降低适配成本。
3、支持业界主流大模型及高性能加速库。原生支持Safetensors权重格式，主流高性能加速库一键接入。飞桨框架 v3.2 实现了对 Safetensors 格式的全⾯兼容⽀持。系统性增强了接⼝兼容与算⼦注册能⼒，实现了⽣态加速库⽆缝接⼊⽅案。
4、此外，发布⽂⼼⼤模型开发套件ERNIEKit和⼤模型⾼效部署套件FastDeploy v2.2。
下面来看一下联合优化的几个创新：
最终在文心4.5激活参数量47B、总参数量300B的模型ERNIE-4.5-300B-A47B上，通过上述系统性优化，在TPOT 50ms时延条件下，实现了输入吞吐高达57K、输出吞吐29K的卓越性能表现。
五、结语
文心飞桨生态凝聚2333万开发者，服务76万家企业。从多粒度知识融合学习、知识和数据融合学习，到知识增强、知识点增强，从检索增强、逻辑推理增强，到慢思考、深度思考、多模态，模型的效果和效率不断提升，能力持续拓展。百度是全球为数不多、进行全栈布局的人工智能公司，从高端芯片昆仑芯，到飞桨深度学习框架，再到文心大模型，以及多个各领域中领先的AI应用产品。每一层都有关键自研技术，层层之间的反馈，实现端到端优化，大幅提升效率和产品服务体验。颠覆性的创新正是在一点点的进步中产生的，这次大会上百度的表现彰显了老牌AI大厂的雄厚技术实力与底气，博主后续也会持续跟进文心X1.1以及ERNIE-4.5-21B-A3B-Thinking等的最新消息。
