界面新聞記者 | 肖芳
界面新聞編輯 | 文姝琪
百度正在強化文心大模型的多模態(tài)理解能力。
在百度AI Day上，百度集團副總裁吳甜詳細解釋了其最新發(fā)布的兩款模型文心大模型4.5 Turbo和深度思考模型X1 Turbo的技術(shù)創(chuàng)新之處。
她表示，文心大模型4.5和4.5 Turbo實現(xiàn)了文本、圖像和視頻的混合訓練。針對不同模態(tài)數(shù)據(jù)在結(jié)構(gòu)、規(guī)模、知識密度上的差異，通過多模態(tài)異構(gòu)專家建模、自適應分辨率視覺編碼、時空重排列的三維旋轉(zhuǎn)位置編碼、自適應模態(tài)感知損失計算等技術(shù)，大幅提升跨模態(tài)學習效率和多模態(tài)融合效果，學習效率提高近2倍，多模態(tài)理解效果提升超過30%。
文心大模型4.5于今年3月16日正式發(fā)布，是百度首個原生多模態(tài)大模型。文心大模型4.5 Turbo在上個月舉辦的Create 2025百度AI開發(fā)者大會上對外發(fā)布，相比文心大模型4.5，其速度更快，價格下降80%，每百萬token的輸入價格僅為0.8元，輸出價格3.2元，僅為DeepSeek-V3的40%。
去年，百度CEO李彥宏多次公開表示，Sora這種視頻生成模型無論多火爆，百度都不去做。他給出的理由是，多模態(tài)模型尤其是視頻生成領域，幻覺問題尚未解決，這限制了大規(guī)模應用。
但字節(jié)跳動和阿里巴巴卻沒有因為幻覺問題停止布局多模態(tài)大模型的腳步：去年12月，字節(jié)跳動正式對外發(fā)布豆包視覺理解模型、豆包3D生成模型；今年9月和12月，阿里通義千問團隊分別對外發(fā)布視覺理解模型Qwen2-VL和多模態(tài)推理模型QVQ-72B-Previe。
從市場反饋來看，這幾款模型在處理自然語言與圖像信息的結(jié)合上靈活性強，能精準識別圖像中的內(nèi)容，受到了教育、自動駕駛等領域企業(yè)的關注，在視覺-語言融合場景中展示出較大的潛力。
這意味著，此前百度多模態(tài)大模型上存在一些誤判，其在多模態(tài)模型上的布局也比競爭對手晚了數(shù)月。
百度正在積極補齊大模型布局短板
今年年初，DeepSeek走紅讓外界再次討論百度在大模型領域是否再次陷入了“起個大早，趕個晚集”的尷尬境地。
早在2021年，百度就對外發(fā)布了文心大模型，在行業(yè)中屬于最早一批布局大模型的公司。但經(jīng)過幾年的發(fā)展，百度在大模型領域不僅并沒能保持先發(fā)優(yōu)勢，還在開源、降價、多模態(tài)等問題上出現(xiàn)了誤判。
界面新聞從多位百度內(nèi)部人士處了解到，在今年第一季度總監(jiān)會上，李彥宏稱去年內(nèi)部沒有人提到模型開源，導致百度走了一些彎路。
DeepSeek走紅之后，百度已對此前關于開閉源的問題進行了糾偏。今年新發(fā)布的文心大模型4.5系列將于6月30日正式開源。
而在降價問題上，去年豆包、通義等大模型相繼大幅降低調(diào)用價格之后，文心大模型的主力模型并未進行跟進。直到今年的Create 2025百度AI開發(fā)者大會，百度才正式宣布文心大模型4.5 Turbo和文心大模型X1 Turbo的價格將大幅降低。
然而，今年基礎大模型競爭的焦點已不在價格。在一位大模型從業(yè)者看來，基礎信息處理能力的提升以及成本的下降讓豆包、通義等幾款大模型在去年獲得了快速增長。深度推理能力、視覺推理能力以及Agent相關技術(shù)將成為今年到未來幾年基礎大模型競爭的關鍵。
在當下的競爭態(tài)勢下，百度放棄此前的糾結(jié)，積極布局多模態(tài)大模型就不難理解了。從文心大模型4.5到4.5 Turbo，從文心大模型X1到X1 Turbo，模型性能提升的同時，多模態(tài)能力也進一步增強。
根據(jù)百度方面的介紹，文心大模型4.5 Turbo多模態(tài)能力與GPT 4.1持平，不僅具有圖片理解能力，還能聽懂、看懂音視頻內(nèi)容；文心大模型X1 Turbo具備跨工具調(diào)用能力，能整合搜索引擎、數(shù)據(jù)庫等外部資源完成復雜任務。在多模態(tài)交互場景中，這種工具調(diào)用能力與多模態(tài)能力相融合，使其能夠更靈活地應對各種實際問題。
李彥宏在Create 2025百度AI開發(fā)者大會上也談及了布局多模態(tài)大模型的價值：DeepSeek也不是萬能的，它只能處理文本，還不能理解和生成圖片、音頻、視頻等多媒體內(nèi)容，很多客戶都需要這種多模理解和生成能力。
對于李彥宏此前一直糾結(jié)的幻覺問題，吳甜在此次百度AI Day上也進行了重點闡釋：百度研制了自反饋增強的技術(shù)框架，基于大模型自身的生成和評估反饋能力，實現(xiàn)了“訓練-生成-反饋-增強”的模型迭代閉環(huán)，讓大模型擁有了自我迭代能力，顯著降低了模型幻覺，模型理解和處理復雜任務的能力大幅提升。
雖然對過去的諸多判斷進行了糾偏，但不可否認的是，百度在大模型上已經(jīng)脫離了第一梯隊。很多業(yè)內(nèi)人士判斷，未來的基礎大模型領域?qū)?/span>只剩下DeepSeek、豆包和通義三強爭霸。在這種競爭格局下，百度想要翻盤面臨的挑戰(zhàn)也不言而喻。
數(shù)字人能否助力百度翻盤？
百度積極布局多模態(tài)大模型，除了當下市場競爭的需要之外，另一個重要原因是，多模態(tài)大模型承載了百度對AI應用的期待。
去年以來，李彥宏多次在公開場合強調(diào)技術(shù)的商業(yè)價值。在他看來，一個沒有明確用途的AI模型，不過是一個吸引人的計算機科學展示。沒有應用，芯片、模型都沒有價值。模型會有很多，但未來真正統(tǒng)治這個世界的是應用。
今年以來，AI應用領域創(chuàng)業(yè)如火如荼，AI辦公、AI搜索、Agent等都是熱門的AI應用落地方向。但李彥宏有不一樣的判斷，他在Create 2025百度AI開發(fā)者大會上表示，AI數(shù)字人是今年最令人激動的突破性應用。聲形超擬真、內(nèi)容更專業(yè)、互動更靈活的數(shù)字人，實現(xiàn)超越真人的體驗，在電商直播、游戲、消費等領域，有著巨大的想象空間。
在百度AI Day上，吳甜透露了百度在數(shù)字人方面的布局：百度研制了“劇本”驅(qū)動多模協(xié)同的超擬真數(shù)字人技術(shù)，實現(xiàn)了語言、聲音、形象的協(xié)調(diào)一致。目前這套技術(shù)已經(jīng)支持超過10萬數(shù)字人主播，直播轉(zhuǎn)化率達31%，降低80%直播開播成本。
但也有一些從業(yè)者對數(shù)字人有不同的聲音。尤其是一些電商商家，嘗試數(shù)字人直播之后，發(fā)現(xiàn)真實的直播帶貨效果不盡如人意。一家美妝類的商家此前告訴界面新聞，其從去年開始嘗試數(shù)字人直播帶貨，但數(shù)字人回復用戶留言時不僅生硬，還會出現(xiàn)答非所問的情況，不僅沒有帶來更高的轉(zhuǎn)化率，還引發(fā)了更多消費者投訴。
在數(shù)字人服務商世優(yōu)科技CEO紀智輝看來，目前數(shù)字人直播帶貨并不好做，抖音快手等平臺的出發(fā)點依然是更好的內(nèi)容和體驗。“如果用戶在平臺上刷到10個短視頻有9個都是數(shù)字人，這會破壞平臺的內(nèi)容生態(tài)，各個平臺都對數(shù)字人直播進行嚴格管控也是意料之中的事?！?/span>
不過，這些不同的聲音并沒有阻止百度積極布局數(shù)字人的腳步。根據(jù)百度此前公布的信息，百度已與羅永浩達成合作，聯(lián)手打造羅永浩的數(shù)字人形象用于直播帶貨，并將于5月23日晚8點在百度電商開啟首場直播。
羅永浩數(shù)字人首場直播帶貨的成績有待觀望。如果數(shù)據(jù)不錯，或許能改變一些商家對數(shù)字人直播帶貨的態(tài)度，但其能給百度帶來多大商業(yè)價值，仍然需要時間驗證。