百度開源多模態模型 ERNIE-Thinking：總參 28B 僅啟用 3B，支援影像動態縮放

ERNIE-4.5-VL-28B-A3B-Thinking 是百度開源的多模態推理模型。它能幫你分析複雜圖表、處理長文件、看圖解 STEM 題目，甚至在工業場景下精確定點陣圖像裡的物體。

這個模型最特別的地方，是它不僅能讀圖，還支援像人類一樣動態縮放影像來排查細節。

它能做什麼

傳統視覺語言模型處理圖片時大多采用固定解析度，遇到細節密集的工程圖紙往往看不清。

ERNIE-Thinking 引入了名為「Thinking with Images」的機制，能夠自由放大縮小影像區域性，專門捕捉圖表角落的微小數值或製造瑕疵。

配合外接工具時，模型還能呼叫影像搜尋來補足生僻的視覺長尾知識。

此外，它支援工業級的視覺定位（visual grounding），能識別並鎖定畫面中特定物件的座標，適用於倉儲自動化和機器人視覺識別。

在影片理解上，它具備時間序列感知與事件定位能力，可以準確找出影片不同時間段裡的內容變化。

28B 引數只啟用 3B

雖然總引數量達到了 28B，但它採用了一套精細的路由架構，實際執行時只啟用其中的 3B 引數。

這種設計讓它在保留大模型推理深度的同時，把算力消耗和視訊記憶體佔用壓到了很低的水平。

百度在文件中透露，模型經歷了一段包含海量圖文推理資料的中期訓練，並結合了大規模強化學習。

官方公佈的測試成績顯示，它在多項文件與圖表理解基準上超過了 Google 的 Gemini 2.5 Pro 和 OpenAI 的 GPT-5-High。不過需要說明的是，這些測試目前主要來自官方文件，社群的獨立第三方評測還在進行中。

開源程度與怎麼試用

模型已經託管在 Hugging Face，開源協議採用了完全寬鬆的 Apache 2.0。

這意味著個人開發者和企業都可以免費下載模型權重，並且沒有商用限制。對於需要將視覺模型整合到內部系統或本地部署的團隊來說，門檻非常低。

因為執行時僅啟用 3B 引數，部署所需的視訊記憶體壓力比同水平的稠密大模型小得多，適合中小型伺服器甚至高配工作站搭建私有化服務。

為什麼重要

如果你的業務涉及大量 PDF 票據解析、工業質檢或者學術圖表提取，這款模型非常值得拉下來測一測。

它的聰明之處在於把動態縮放和稀疏啟用結合了起來：既解決了高解析度影像看不清細節的老毛病，又沒有讓視訊記憶體開銷失控。

同類開源視覺模型在商用許可上往往有各種限制，而 Apache 2.0 加上 3B 的啟用成本，讓它在企業端落地時極具價效比。不過百度宣稱超越 Gemini 和 GPT-5 的結論，建議大家等社群跑出中立測試集之後再做最終判斷。