百度近日正式推出并上線了其原生全模態大模型文心5.0，標志著人工智能領域在多模態理解與生成能力上邁出了重要一步。該模型擁有高達2.4萬億的參數規模，通過原生全模態統一建模技術，實現了對文本、圖像、音頻、視頻等多種信息形式的全面支持，無論是輸入還是輸出都展現出強大的能力。
據介紹，文心5.0的技術路線與業界常見的“后期融合”方案截然不同。它采用統一的自回歸架構，將多源數據如文本、圖像、視頻、音頻等在同一模型框架內進行聯合訓練。這種設計使得多模態特征能夠在統一架構下充分融合并協同優化，從而實現了原生的全模態統一理解與生成。該模型還采用了超大規模混合專家結構，激活參數比低于3%，在保持強大能力的同時，顯著提升了推理效率。
在應用層面，文心5.0已經展現出其巨大的潛力。個人用戶可以通過文心App和文心一言官網進行體驗，而企業與開發者則可以利用百度千帆平臺進行調用。在權威基準的綜合評測中，文心5.0的語言與多模態理解能力已經超越了Gemini-2.5-Pro、GPT-5-High等國際知名模型，穩居國際第一梯隊。其圖像與視頻生成能力也與垂直領域專精模型相當，整體處于全球領先水平。
百度應用模型研發部負責人賈磊在分享中強調，應用模型的價值在于其在實際場景中的應用效果。他介紹了百度基于文心基礎大模型構建的矩陣模型和專精模型。矩陣模型面向產品級應用和通用場景，包括文心Lite模型、視頻大模型和語音大模型；而專精模型則面向行業應用和垂直場景，如搜索閃電專精模型、電商蒸汽機模型等。
賈磊還分享了三項技術突破：基于聲音Token的端到端合成大模型、5分鐘超越真人的直播技術以及實時交互數字人技術。這些技術不僅提升了語音合成的自然度和表現力，還使得直播帶貨和數字人交互等場景更加生動和高效。例如，基于聲音Token的端到端合成大模型通過離散表示定義token，以MoE大語言模型建模韻律，實現了高質量的語音合成。而5分鐘超越真人的直播技術則通過少量采樣和臉譜化妝技術，使合成語音具備直播帶貨所需的情緒、節奏與感染力。
在推動大模型落地產業方面，百度千帆平臺發揮了重要作用。該平臺產品負責人張婷介紹，千帆專為行業落地打造的Agent Infra提供了包括文心5.0及全場景150+SOAT模型服務在內的豐富資源。平臺還集成了眾多工具及MCP和Agent工具鏈，并結合數據管理和企業級服務，為企業提供全周期、穩定支持多場景業務的運行環境。目前，千帆平臺上已累計開發超130萬個Agents，以百度獨家能力“百度AI搜索”為代表的工具日均調用量已突破千萬次。
隨著全球AI行業的快速發展，如何將AI技術應用于真實世界與行業，從而進一步產生價值，成為行業探索的重要方向。百度作為國內最早發布大模型的企業之一，正基于多年積累的技術實力，形成以芯片為底座、智能云為平臺框架、以模型支撐各類智能體應用的“芯云模體”全棧自研生態閉環。這一生態閉環將持續探索賦能行業的AI解決方案，推動AI技術在更多領域的應用和發展。
