百度开源多模态模型 ERNIE-Thinking：总参 28B 仅激活 3B，支持图像动态缩放

ERNIE-4.5-VL-28B-A3B-Thinking 是百度开源的多模态推理模型。它能帮你分析复杂图表、处理长文档、看图解 STEM 题目，甚至在工业场景下精确定位图像里的物体。

这个模型最特别的地方，是它不仅能读图，还支持像人类一样动态缩放图像来排查细节。

它能做什么

传统视觉语言模型处理图片时大多采用固定分辨率，遇到细节密集的工程图纸往往看不清。

ERNIE-Thinking 引入了名为「Thinking with Images」的机制，能够自由放大缩小图像局部，专门捕捉图表角落的微小数值或制造瑕疵。

配合外接工具时，模型还能调用图像搜索来补足生僻的视觉长尾知识。

此外，它支持工业级的视觉定位（visual grounding），能识别并锁定画面中特定物件的坐标，适用于仓储自动化和机器人视觉识别。

在视频理解上，它具备时间序列感知与事件定位能力，可以准确找出视频不同时间段里的内容变化。

28B 参数只激活 3B

虽然总参数量达到了 28B，但它采用了一套精细的路由架构，实际运行时只激活其中的 3B 参数。

这种设计让它在保留大模型推理深度的同时，把算力消耗和显存占用压到了很低的水平。

百度在文档中透露，模型经历了一段包含海量图文推理数据的中期训练，并结合了大规模强化学习。

官方公布的测试成绩显示，它在多项文档与图表理解基准上超过了 Google 的 Gemini 2.5 Pro 和 OpenAI 的 GPT-5-High。不过需要说明的是，这些测试目前主要来自官方文档，社区的独立第三方评测还在进行中。

开源程度与怎么试用

模型已经托管在 Hugging Face，开源协议采用了完全宽松的 Apache 2.0。

这意味着个人开发者和企业都可以免费下载模型权重，并且没有商用限制。对于需要将视觉模型集成到内部系统或本地部署的团队来说，门槛非常低。

因为运行时仅激活 3B 参数，部署所需的显存压力比同水平的稠密大模型小得多，适合中小型服务器甚至高配工作站搭建私有化服务。

为什么重要

如果你的业务涉及大量 PDF 票据解析、工业质检或者学术图表提取，这款模型非常值得拉下来测一测。

它的聪明之处在于把动态缩放和稀疏激活结合了起来：既解决了高分辨率图像看不清细节的老毛病，又没有让显存开销失控。

同类开源视觉模型在商用许可上往往有各种限制，而 Apache 2.0 加上 3B 的激活成本，让它在企业端落地时极具性价比。不过百度宣称超越 Gemini 和 GPT-5 的结论，建议大家等社区跑出中立测试集之后再做最终判断。