智東西
作者 王涵
編輯 漠影

智東西1月24日報道，在文心Moment大會上，文心大模型5.0正式版上線。

據(jù)稱，該模型參數(shù)量達2.4萬億，采用原生全模態(tài)統(tǒng)一建模技術，具備全模態(tài)理解與生成能力，支持文本、圖像、音頻、視頻等多種信息的輸入與輸出。

在40余項權威基準的綜合評測中，文心5.0正式版的語言與多模態(tài)理解能力穩(wěn)居國際第一梯隊。音頻和視覺生成能力與垂直領域?qū)＞Ｐ拖喈�，整體處于全球領先水平。

目前，個人用戶可在文心APP、文心一言官網(wǎng)體驗，企業(yè)與開發(fā)者可通過百度千帆平臺進行調(diào)用。

智東西第一時間體驗了文心5.0。測評結(jié)果證明，該模型不僅能夠處理不同文化語境下復雜情感、弦外之音、畫面隱喻等任務，輸出更符合語境、場景的回復，還能通過出色的規(guī)劃反思和邏輯推理能力，生成兼具創(chuàng)意與邏輯的寫作內(nèi)容�？梢哉f是大模型界的“最強文科生”。

雖然已經(jīng)有了預覽版的鋪墊，文心5.0正式版的上線還是讓人眼前一亮。國產(chǎn)多模態(tài)大模型，真的已經(jīng)進入“原生全模態(tài)”時間了。

一、穩(wěn)居全球第一梯隊，文心5.0開啟原生全模態(tài)之路

百度集團副總裁、深度學習技術及應用國家工程研究中心副主任吳甜介紹，與業(yè)界多數(shù)采用“后期融合”的多模態(tài)方案不同，文心5.0的技術路線采用統(tǒng)一的自回歸架構進行原生全模態(tài)建模，將文本、圖像、視頻、音頻等多源數(shù)據(jù)在同一模型框架中進行聯(lián)合訓練，使得多模態(tài)特征在統(tǒng)一架構下充分融合并協(xié)同優(yōu)化，實現(xiàn)原生的全模態(tài)統(tǒng)一理解與生成。

▲百度集團副總裁、深度學習技術及應用國家工程研究中心副主任吳甜

文心5.0攻克了多模態(tài)理解與生成難以統(tǒng)一建模的難題，精細建模多模語義特征，實現(xiàn)了理解與生成相互增強，全面提升了全模態(tài)理解與生成能力。

文心5.0采用超大規(guī)�；旌蠈＜夷Ｐ徒Y(jié)構，依托飛槳深度學習框架進行超大規(guī)模MoE模型訓練，總參數(shù)規(guī)模超過2.4萬億，這達到業(yè)界已公開參數(shù)的模型之最。具備超稀疏激活參數(shù)，激活參數(shù)比低于3%，在保持模型強大能力的同時降低了計算與推理成本。

同時，基于大規(guī)模工具環(huán)境，合成長程任務軌跡數(shù)據(jù)，并采用基于思維鏈和行動鏈的端到端多輪強化學習訓練，顯著提升了模型的智能體和工具調(diào)用能力。

不管是從技術架構路線還是從大模型基建，文心5.0幾乎是國內(nèi)大模型頂配，讓它在國際權威的大模型競技場LMArena上實現(xiàn)了一次次問鼎。

在近三個月內(nèi)，文心5.0系列模型五次登榜LMArena，在文本（Text Arena）、視覺理解（VisionArena）榜單，多次位列國內(nèi)第一，是唯一進入全球第一梯隊的中國大模型。

二、會寫科幻小說、能分析相親簡歷，文心5.0成“最強文科生”

在文心5.0 Preview發(fā)布之時，就有網(wǎng)友評價稱其為“最強文科生”。今天，我們測測文心5.0正式版，看看這個稱號是否名副其實。

第一題，我們看看文心5.0的知識儲備和文采如何：

我們先讓文心5.0寫一篇劉慈欣短篇科幻小說《流浪地球》的續(xù)篇，要求遵循原文寫作風格以及故事背景和人物設定，來考考它的知識儲備量。

大約3分鐘，該模型就完成了一篇超短篇的《流浪地球》續(xù)篇，取名為《流浪地球：靜音紀元》。

整篇文章一看就是“讀過”原小說的，原文的“大叛亂”和“太陽氦閃”等元素一個不落，還從“我”的第一視角講述了資源即將耗盡、人類采取Plan B——火種計劃的故事。整體上來說，文章通篇讀下來很順暢，文風也是劉慈欣的平實感，劇情銜接流暢。

除了小說，文心5.0的閱片量如何？我們拋給它這樣一個問題：同為宮斗劇的《甄嬛傳》《如懿傳》《延禧攻略》在網(wǎng)絡上常常被人拿來比較，如果甄嬛、如懿和魏瓔珞身處在同一深宮內(nèi)，誰能笑到最后呢？

文心5.0首先選擇了一個這三個角色都共存的時代背景下，分析了三人各自的性格特點和經(jīng)歷，用兩兩對決的方法決出了最后的贏家為“魏瓔珞”。分析過程講的頭頭是道，一看就是資深劇迷。

接下來，我們來考考文心5.0的情商：

首先，我們上傳了一張小紅書帖子的截圖，截圖內(nèi)容為求助該如何回復女友總是說“你不愛我了”。

從文心5.0的思考過程中可以看出，它判斷了提問中女友的行為動機，還考慮了男生的心理，先設身處地地安慰了用戶，再接著給出解決方案，這樣會減少說教感。

從回答內(nèi)容上看，文心5.0給出了四套方法論，每一套都確實可行，還說清了女友總說“你不愛我了”的弦外之音其實是“想你了”。就是在具體的措辭上稍微有點“油”，不走可愛風的直男朋友們盡量不要照搬。

接著，我們上傳了一段“這個男孩能嫁嗎？”的短視頻，看看文心5.0能不能從相親對象的簡歷中看出不對勁的地方。

原視頻時長1分鐘，視頻主播中英文混雜并且語速很快，我不看字幕都很難跟下來。但文心5.0在一分鐘內(nèi)就完成了對視頻內(nèi)容的理解和分析，并且扒出了相親對象簡歷中不合理且有所隱瞞的事項，措辭也是毫不留情。

三、原生全模態(tài)：劍指多模態(tài)大模型的未來

這樣驚艷的體驗效果是如何實現(xiàn)的？要回答這個問題還要從多模態(tài)大模型的類別說起。

當前市面上的多模態(tài)大模型主要分為拼接型和原生型兩類。其中拼接型是行業(yè)主流形式，采用模塊化架構，通過獨立訓練各模態(tài)模型再拼接實現(xiàn)融合，雖具備一定靈活性，卻存在明顯的信息損耗問題。

最早從GPT-4o時即提出“原生多模態(tài)”，后面Gemini 3的發(fā)布，讓“原生多模態(tài)”真正被業(yè)界聚焦。而百度則在這一基礎上更上一層樓，提出了“原生全模態(tài)”架構。

原生全模態(tài)架構則從訓練初期的底層邏輯出發(fā)，就將文本、圖像、音頻、視頻等多模態(tài)數(shù)據(jù)深度融合，構建起統(tǒng)一語義空間，以此實現(xiàn)更高效的跨模態(tài)理解。

同時，“原生全模態(tài)”方法還能有效避免災難性遺忘，讓模態(tài)數(shù)據(jù)在基礎層面的融合更順暢，也讓跨模態(tài)任務的泛化能力大幅提升。

行業(yè)有觀點認為，這本質(zhì)上是技術路線之爭：「原生架構」正在改寫大模型廠商的游戲規(guī)則。若國內(nèi)廠商未能在2025–2026年突破原生架構，可能在未來AI競爭中淪為功能跟隨者。顯然，百度文心5.0已帶領百度在這一賽道率先突圍，構建起一定的技術護城河。

如何才能抵達AGI？越來越多行業(yè)專家認為，AI能夠真正感知世界、與物理世界互動，從物理世界中學習，這就是AGI。

讓AI在物理世界中學習，就是要AI像人一樣，在語言、圖像、視頻、音頻等多模態(tài)數(shù)據(jù)中感知世界，將多模態(tài)數(shù)據(jù)相互對照，進而形成對世界的感知。

這樣來看，原生全模態(tài)架構，或許將是AGI的地基和基石。

結(jié)語：國產(chǎn)大模型進入“原生全模態(tài)”時間

文心5.0在知識問答、復雜場景理解、創(chuàng)意寫作等多類任務中表現(xiàn)穩(wěn)定，在遵循指令、理解語境、進行多輪思考方面的能力已較為成熟，展現(xiàn)出了超越工具的“靈性”與實用價值。

當前，谷歌已明確將“原生多模態(tài)”作為核心方向。文心5.0基于此完善的“原生全模態(tài)”，意味著國內(nèi)在此技術路徑上有了具備大規(guī)模參數(shù)和實際應用能力的對標產(chǎn)品。

國產(chǎn)大模型，進入“原生全模態(tài)”時間。