百度开源 ERNIE-4.5-VL-28B-A3B-Thinking，「图像思考」新范式

百度近日发布了多模态大语言模型 ERNIE-4.5-VL-28B-A3B 的全新升级版——ERNIE-4.5-VL-28B-A3B-Thinking，在多模态推理能力上实现了关键性突破。

ERNIE-4.5-VL-28B-A3B-Thinking 简介

在中期训练阶段，模型消化了海量、高度多样化的高质量视觉-语言推理数据。不仅大幅增强了模型的表示能力，更深化了视觉与语言两大模态之间的语义对齐，解锁了前所未有的细粒度视觉-文本推理能力。
技术实现上，ERNIE-4.5-VL-28B-A3B-Thinking 在可验证的任务中采用了先进的多模态强化学习技术，并融合 GSPO 与 IcePop 策略，以确保 MoE（专家混合）训练的稳定性。同时，模型结合动态难度采样技术，显著提升了学习效率。
为了响应开发者社区的强烈需求，百度团队大幅增强了模型的接地（grounding）性能与指令跟随能力，使得视觉接地功能的调用比以往要更加便捷、精准。
此外，通过创新的「图像思考」功能，模型在与图像缩放、图像搜索等工具协同工作时，能更高效地处理精细细节，并有效应对长尾视觉知识带来的挑战。

这些全面的能力升级，为构建复杂 AI 智能体奠定了坚实基础，将赋能开发者和研究人员打造下一代 AI 应用，持续拓展视觉-语言理解的前沿边界。

作为一款仅需激活 30 亿（3B）参数的轻量化模型，ERNIE-4.5-VL-28B-A3B-Thinking 在多项基准测试中的表现，已经能与业界顶级的旗舰模型相媲美。

视觉推理：在大规模强化学习的加持下，模型在复杂视觉任务中展现出卓越的多步推理、图表分析与因果推断能力。
STEM 推理：凭借强大的视觉理解能力，模型在科学、技术、工程和数学（STEM）领域的任务表现实现了质的飞跃，即便是「看图解题」这类复杂问题也能轻松应对。
视觉定位：具备更精准的定位能力与更灵活的指令执行功能。在复杂的工业场景中，可轻松调用定位功能，显著提升工作效率。
图像思考：能像人类一样进行「思考」，通过自由放大或缩小图像，洞察每一个细节，从而揭示图片中蕴含的全部信息。
工具使用：依托强大的工具调用能力，可即时调用图像搜索等外部功能，轻松识别长尾知识，实现全面的信息检索。
视频理解：具备出色的时序感知与事件定位能力，能准确识别视频中不同时间节点的内容变化，让视频分析变得更加智能和高效。