Что означает структура MoE в ERNIE 4.5 VL?

Это архитектура Mixture-of-Experts, где из 28 миллиардов параметров для каждого токена активируется только 3 миллиарда, что ускоряет работу без потери качества.

Какие мультимодальные задачи поддерживает модель?

Модель способна принимать на вход комбинацию текста и изображений, выполняя задачи по описанию картинок, распознаванию текста и визуальному анализу.

Можно ли использовать ERNIE 4.5 VL для вызова инструментов?

Да, модель поддерживает функции tool_choice и tools, что позволяет интегрировать её в сложные рабочие процессы и использовать внешние инструменты через alltokens.

Baidu: ERNIE 4.5 VL 28B A3B

BABaiduОбновлено: 12 августа 2025 г.

Baidu ERNIE 4.5 VL — это передовая мультимодальная модель на архитектуре MoE, которая эффективно сочетает глубокое понимание текста и визуальных данных. Благодаря активации всего 3 миллиардов параметров на токен, она обеспечивает высокую скорость работы при сохранении качества ответов уровня флагманских решений.

Использовать через API

Метрики

Вход

18 ₽/M

Выход

70 ₽/M

Контекст

131k tokens

Параметры

Релиз

12 августа 2025 г.

Поддерживаемые параметры

frequency_penaltyinclude_reasoningmax_tokenspresence_penaltyreasoningrepetition_penaltyseedstoptemperaturetool_choicetoolstop_ktop_p

Технический обзор

Мощная мультимодальная чат-модель на базе архитектуры Mixture-of-Experts (MoE) с общим числом параметров 28 млрд, из которых 3 млрд активируются для каждого токена. Модель обеспечивает исключительное понимание текста и визуальных данных благодаря инновационной гетерогенной структуре MoE с изолированной маршрутизацией по модальностям. Построенная на масштабируемой инфраструктуре для обеспечения высокой пропускной способности при обучении и инференсе, модель использует передовые методы постобучения, включая SFT, DPO и UPO, для оптимизации производительности. Поддерживает контекстное окно длиной 131 000 токенов и выравнивание RLVR для достижения превосходных возможностей кросс-модального рассуждения и генерации. На alltokens модель доступна для интеграции через API.

Кодинг

Инструменты

Длинный контекст

Мультимодальность

Веб-автоматизация

Смежные подборки

Модели для программирования Недорогие модели

Сравнение с похожими моделями

Модель

Для чего

Контекст

Цена ₽

Модель

Baidu: ERNIE 4.5 VL 28B A3BТекущая

Для чего

Контекст

131k

Цена ₽

18 / 70

Baidu: ERNIE 4.5 VL 28B A3BТекущая

131k

18 / 70

Модель

Qwen: Qwen3 VL 30B A3B Instruct

Для чего

Обе модели используют схожую архитектуру MoE и ориентированы на эффективную обработку визуального контента в аналогичном весовом классе.

Контекст

262k

Цена ₽

17 / 65

Qwen: Qwen3 VL 30B A3B Instruct

262k

17 / 65

Модель

OpenGVLab: InternVL3 78B

Для чего

Является сильным конкурентом в области компьютерного зрения и мультимодального анализа, позволяя сравнить точность распознавания объектов.

Контекст

33k

Цена ₽

19 / 75

OpenGVLab: InternVL3 78B

33k

19 / 75

Когда выбирать

Необходим глубокий анализ изображений в сочетании со сложными текстовыми запросами
Требуется высокая скорость генерации благодаря архитектуре с малым количеством активируемых параметров
Нужна модель с поддержкой широкого спектра параметров управления генерацией, таких как seed и tool_choice

Когда не выбирать

Работа требует экстремально больших контекстных окон, превышающих 30 000 токенов
Задачи сфокусированы исключительно на текстовом программировании без визуальной составляющей
Требуется работа в офлайн-режиме на локальном оборудовании без доступа к API alltokens