「源力觉醒 创作者计划」_百度开源文心 4.5 系列开源大模型：ERNIE-4.5-VL-28B-A3B-Paddle vs DeepSeek-R1 多维度测评分析
26 Mar 2026
— 12 min read
「源力觉醒 创作者计划」_百度开源文心 4.5 系列开源大模型：ERNIE-4.5-VL-28B-A3B-Paddle vs DeepSeek-R1 多维度测评分析
文章目录
背景 人工智能技术迅猛发展，大模型成为推动各行业智能化升级的核心引擎，百度开源的文心 4.5 系列大模型中的 ERNIE-4.5-VL-28B-A3B-Paddle，创新的技术架构与卓越的性能表现，多模态处理、知识理解等领域展现出强大潜力，本文将通过详细的部署实操、多维度性能对比，深度剖析 ERNIE-4.5-VL-28B-A3B-Paddle 在实际应用场景中的表现。 ERNIE-4.5-VL-28B-A3B-Paddle 模型介绍
关键字 值 模态 文本 & 视觉 训练阶段 后训练 参数量（总/激活） 28B / 3B 层数 28 头数（Q/KV） 20 / 4 文本专家（总/激活） 64 / 6 视觉专家（总/激活） 64 / 6 共享专家 2 上下文长度 131072
ERNIE-4.5-VL-28B-A3B 是一个多模态 MoE 聊天模型，总参数量为 28B，每个 Token 激活参数量为 3B，ERNIE 4.5 模型基于 MoE 的 A47B 和 A3B 系列，先进能力源于三大关键技术创新： ERNIE-4.5-VL-28B-A3B-Paddle 部署体验 1、PP飞浆AI Studio：模型库-搜索ERNIE-4.5-VL-28B-A3B-Paddle模型 ERNIE-4.5-VL-28B-A3B-Paddle 对比 DeepSeek-R1
对比项目 ERNIE-4.5-VL-28B-A3B DeepSeek-R1 模型类型 多模态大模型 大型语言模型，主打推理功能 参数量 28B 6710 亿，另有 1.5B 至 70B 的蒸馏版本 训练框架 飞桨（PaddlePaddle） 未明确提及，但 DeepSeek 系列通常基于 Transformer 架构 训练方法 采用 “FlashMask 动态注意力遮蔽” 和 “异质多模态混合专家” 架构，实现多模态数据的协同优化 采用多阶段混合训练策略，包括监督微调冷启动和强化学习优化；使用 GRPO 算法替代传统的 PPO 算法 开源协议 Apache 2.0 licence，允许学术和商业使用 MIT 协议，开源模型权重、训练代码和数据处理工具链 性能表现 在 28 个基准测试中的 20 多个指标上超越了 DeepSeek-V3-671B-A37B-Base，达到 SOTA 水平 在 AIME 2024 上达到了 79.8% 的 Pass@1 分数，稍微超过 OpenAI-o1-1217；在 MATH-500 中取得了 97.3% 的分数，表现与 OpenAI-o1-1217 相当 擅长领域 跨模态的理解与生成能力强，能够无缝整合文本、图像、音频和视频内容 在数学、编程和推理等任务上表现出色
ERNIE-4.5-VL-28B-A3B 与 DeepSeek-R1 对比测试时，保持除模型外其他参数一致，这样对比结果更具参考性，能清晰看出模型在不同任务场景的表现差异
通用文本理解与生成 用日常多样主题的指令，看生成文本的逻辑、表达自然度，测试模型基础语言能力 测试内容 新闻原文（可简化给模型）： “本市 XX 小区近期因宠物扰民纠纷增多，居民志愿者发起‘宠物友好公约’倡议，包含遛狗时间、粪便清理等条款，经业主群讨论后，超 8 成住户支持，周末已组织首场文明遛狗宣传活动。” 把这段严肃新闻改写成脱口秀段子，保留核心事件（某小区居民自发组织 “宠物友好公约” ），用幽默吐槽、接地气梗呈现，200 字左右 结果分析 ERNIE-4.5-VL-28B-A3B 更贴近小区邻里唠嗑松弛感，紧扣新闻核心"宠物公约从纠纷到落地"，用 “狗子直立行走、业主群炸锅” 这类生活化吐槽，把规则自然融进段子，信息清晰好懂，还留了 “人狗示范区” 互动钩子 专业知识问答 选不同领域深度问题，验证知识储备、解答准确性与专业度，体现知识掌握水平 测试内容 请从算法公平性角度，分析深度学习模型在信贷风险评估场景中，可能产生偏见的 3 类核心原因（需区分数据、模型、应用流程维度），并给出对应缓解策略，要求专业逻辑清晰，300 - 400 字。 结果分析 ERNIE - 4.5 - VL - 28B - A3B 围绕算法公平性，从数据、模型、应用流程维度，系统拆解深度学习模型在信贷场景偏见成因，如数据存在偏差、模型结构有局限等，策略覆盖工具优化、架构调整与流程规范，逻辑严谨且专业纵深 多轮对话连贯性 设计连续关联话题（如先聊旅游经历，再延伸规划下次旅行 ），观察对话衔接、意图理解延续性，检验交互能力。 测试内容 社会话题 - AI 就业影响 Round 1：AI 工具普及，会让普通文案岗位消失吗？Round 2：那文案从业者想转型，该补哪些 AI 技能？Round 3：如果成立一个‘文案人 AI 技能互助小组’，怎么设计学习计划？Round 4：用小组学习计划为基础，写一段招募文案，突出AI 转型必要性社会议题链：从岗位担忧到转型路径，再到落地行动，看模型对「问题提出→解决方案→执行设计」的逻辑衔接Round 1 结果分析 从多轮对话连贯性看，围绕文案人 AI 转型主题，都完成了需求承接与内容延伸，但风格和逻辑路径有差异：ERNIE走理性赋能路线，以 “问题→方案→价值” 线性推进，从转型焦虑切入，逐步拆解工具、实战、协作等系统策略，回应每一轮对 “转型方法、执行路径” 的需求，像导师式陪跑，逻辑扎实、步骤清晰DeepSeek主打危机破局叙事，用 “威胁→转机→行动” 制造情绪张力，借数据、案例强化紧迫感，回应中融入 “证书、变现” 等现实利益，更像营销式动员，抓眼球、促行动 百度开源文心4.5系列开源
模型类型 激活参数规模 总参数量 模型特点 混合专家（MoE）模型 47B 约 424B 通过专家路由技术，保持高容量的同时显著降低 FLOPs，适用于多模态任务，通过跨模态参数共享机制实现模态间知识融合 混合专家（MoE）模型 3B 约 30B 轻量级多模态模型，具备多模态理解能力，适用于对模型规模和计算资源要求相对较低的场景 稠密参数模型 0.3B 未提及 面向边缘与移动端，参数量小、推理快，适用于资源受限的设备和场景
百度开源文心 4.5 系列的 10 款模型（涵盖 47B、3B 的 MoE 模型及 0.3B 稠密模型），开源不仅为学术界和产业界提供了多规模、多模态的高性能模型底座，降低大模型应用门槛，还通过开放技术细节（如异构 MoE 结构、高效训练推理方案等）推动行业在多模态融合、规模效率化等关键技术上的协同创新，同时助力开发者基于不同参数规模模型快速适配边缘端、移动端到云端等多样化场景，加速大模型技术的产业化落地与生态繁荣。 总结 ERNIE-4.5-VL-28B-A3B-Paddle 百度文心 4.5 系列的多模态 MoE 大模型，以 28B 总参数与 3B 激活参数的高效设计，通过多模态异构 MoE 预训练、规模效率化基础设施及模态特定后训练三大技术创新，在跨模态理解与生成、长文本处理等领域表现卓越，部署流程便捷且适配多场景，与 DeepSeek-R1 相比，在多模态融合与实用场景落地中展现出差异化竞争力多模态原生融合能力更强 ：ERNIE-4.5-VL-28B-A3B-Paddle 借异构 MoE 和模态隔离路由，原生支持图文识别等多模态任务，DeepSeek-R1 是单语言模型，处理多模态需额外适配，原生跨模态能力不足长文本处理效率与精度更优 ：ERNIE-4.5-VL-28B-A3B-Paddle 131072 长上下文，在长文本场景中信息抓取与逻辑连贯性远超 DeepSeek-R1，DeepSeek-R1 相比较易遗漏信息或逻辑断裂本土化部署与生态适配更完善 ：ERNIE-4.5-VL-28B-A3B-Paddle 基于 PaddlePaddle 深度优化，全流程工具链完善，适配国内硬件与行业场景；DeepSeek-R1 虽开源宽松，但本土化生态与场景方案覆盖不足 一起来轻松玩转文心大模型吧👉文心大模型免费下载体验地址 ：https://ai.gitcode.com/paddlepaddle/ERNIE-4.5-VL-424B-A47B-Paddle
