「【新智元导读】就在 OpenAI 刚刚教会 GPT-5.1 人情世故的同一天，一款 2.4 万亿的国产大模型证明了，AI 不仅能懂人情，还能更好地理解世界。」
2.4 万亿参数，原生全模态模型今天杀到了！
一经发布，这款模型的预览版就在多模态理解、指令遵循、创意写作、智能体规划等 40 + 核心赛道表现惊艳。
这一次，出手的还是中国 AI。
左右滑动查看
2025 百度世界大会上，文心新一代模型——文心 5.0 重磅发布。
作为「原生全模态」模型，它从底层架构上实现了一次深刻的变革。
为何这么说？
与业内主流的多模态 AI 不同，文心 5.0 从训练之初融合了语言、图像、视频、音频等多模态数据。
而且，它还支持文、图、视、音的联合输入与输出，实现「原生」的统一理解和生成。
由此，文心 5.0 具备了强大的多模态理解和推理能力。
大会现场，文心 5.0 以「武林外传」佟湘玉的口吻二创「甄嬛传」。「AI 甄嬛」妙语连珠，出人意料的演绎瞬间点燃全场。
「告别「拼接」，原生全模态登场」
原生全模态，不是多模态的「加法」。
一提到多模态 AI，人们可能想到的是，将语言、图像、视频、音频等不同数据「拼接」起来的模型。
当前，业界大多都采用了这种「后期融合」方式的多模态模型。
但文心 5.0 不同，它从根源上构建了一个统一的架构，即新一代「原生全模态大模型」。
自训练伊始，文心 5.0 融合了语言、图像、视频、音频等多模态数据，实现了文、图、视、音的联合输入与输出。
这样一来，文心 5.0 就能真正做到原生的全模态理解与生成。
不过在此之前，百度团队克服了业内普遍面临的难题：
原生多模态架构的「理解与生成一体化」
一般来说，传统方法往往先是处理单一模态，再将所有模态数据融合。这种方法看似优雅，实则会带来很多致命的问题。
后期融合只在输出层进行，也就是说，每个模态的特征在融合之前，就已独立决策完成。
这样的 AI 根本学不到模态之间的「深层语义交互」，比如视频中，人物表情和语音语调高度相关，进而造成信息丢失。
文心 5.0 通过精细建模多模语义特征，让理解和生成相互增强。
同时，它还采用了「自回归统一结构」，对不同模态的训练目标进行离散化建模，确保了多模态特征在统一框架下充分融合并协同优化，由此提升了全模态统一建模的能力。
在参数规模上，文心 5.0 总参数超过 2.4 万亿，业界公开参数的模型之最。
更关键的是，它引入了超稀疏混合专家架构，进行庞大的全模态训练。
其激活参数比例低于 3%，在保持强大能力的同时，显著降低计算和推理成本。
「」
「训推双引擎，成本骤降」
要让万亿级全模态 MoE 真正跑得动、跑得快，团队在训练与推理上同时开刀，构建了一套高效的训推体系。
「1. 高效全模态超稀疏混合专家分布式训练」
在训练阶段，依托飞桨框架，他们研发了多模态编码器分离异步训练架构、动态自适应显存卸载技术，以及细粒度通信计算重叠编排专家并行技术。
同时，结合 FP8 混合精度训练，实现了对万亿级参数全模态超稀疏混合专家模型的高效训练。
结果，文心 5.0 预训练性能较基准提速 230%。
「2. 多级分离架构的全模态统一高性能推理」
在推理阶段，文心 5.0 采用了「多模编码器 - 预填充 - 解码 - 多模生成器」的多级分离推理部署框架。
此外，团队还研发了面向超稀疏混合专家、数据负载和注意力计算的均衡算法，以及动态自适应多步投机解码和效果无损低比特键值缓存量化技术。
在推理成本上，文心 5.0 得到大幅压缩，真正实现了效率与能力的平衡，让其更接近实用。
此外，衡量一个模型能否从实验室走向实际应用，长程任务的指标是最重要的衡量因素之一。
为了提升文心 5.0 长程任务的能力，团队基于大规模工具环境，合成了长程任务轨迹数据。
然后，在预训练和后训练阶段，基于思维链和行动链对文心 5.0 进行「端到端」多轮强化学习训练。
由此可见，文心 5.0 的智能体和工具调用能力，得到了显著的提升。
「文心又回来了！」
过去两年，多模态模型已迅速崛起，成为驱动 AI 时代发展的核心引擎。
与传统大语言模型不同，它突破了单一文本的限制，通过无缝融合图像、音频、视频等多源信息，实现了更接近人类的综合理解与生成能力。
放眼全球，在这场 AI 大战中，OpenAI、谷歌等硅谷巨头早已在多模态赛道上抢先布局。
OpenAI 发布 GPT-4o 时，便向世界生动展示了多模态 AI 应有的交互形态——
一个统一的神经网络，无缝处理文本、音频、视觉等多种模态的输入与输出。
而谷歌的 Gemini 系列，更是从诞生之初便被烙上了「原生多模态」的印记。
他们在技术报告中，多次强调了原生多模态与非原生的差异。
CEO Demis Hassabis 也曾明确表示，Gemini 的目标就是要让一个模型能原生地理解图像、音频和视频。
最终，实现与物理世界的真实交互。
视线转回国内，阿里、字节等头部大厂同样在多模态赛道上重兵布局。而在众多路径中，百度选择了一条更效率导向的道路——「「原生全模态」」。
原生全模态，意味着模型从训练的第一天起，就如人类一般，活在视觉、听觉与文字交融的统一感知中。
和婴儿一样，它学习世界的方式是通过所有感官的同步输入来形成认知。毕竟，人类的思考从来都不是「先看再听再想」的线性接力，而是所有信息洪流的同步融合。
这之中的核心，便是将每一帧画面、每一段声音、乃至每一个词语，都转化为一套统一的离散符号流，并置于同一个自回归框架下建模。
也就是说，当你输入一段街头艺人表演的视频，探寻「背后的故事」时，AI 不再是割裂地解析画面、分析音频，最后拼凑答案。它能在一个统一的语义空间中，同步完成感知、推理与叙事，像人类一样，给予一个完整而深刻的回应。
正是凭借这种全模态的内在优势，文心 5.0 得以突破复杂场景的束缚，为 AI 的未来应用开启无限想象。
更值得一提的是，文心的实力，早已超越了实验室的范畴，在真实应用中形成了技术落地的闭环。
发布会现场，与百度连线的「AI 老罗」便是最好的证明。他不仅能轻松做出「点赞、比心、比耶」的互动三连，更在问答环节中，将罗永浩本人「犀利吐槽」的语言风格模仿得惟妙惟肖。
技术基于慧播星高说服力数字人
如今，当理解与生成走向统一，当技术与应用协同共生，人机智能的边界也正悄然消融。
在这场全球大模型的激烈角逐中，文心正以全新姿态，强势回归！
