GPT-5.1发布当天，文心5.0杀回来了

---

  新智元报道  

一经发布，这款模型的预览版就在多模态理解、指令遵循、创意写作、智能体规划等40+核心赛道表现惊艳。

这一次，出手的还是中国AI。

左右滑动查看

2025百度世界大会上，文心新一代模型——文心5.0重磅发布。

作为「原生全模态」模型，它从底层架构上实现了一次深刻的变革。

为何这么说？

与业内主流的多模态AI不同，文心5.0从训练之初融合了语言、图像、视频、音频等多模态数据。

而且，它还支持文、图、视、音的联合输入与输出，实现「原生」的统一理解和生成。

由此，文心5.0具备了强大的多模态理解和推理能力。

大会现场，文心5.0以「武林外传」佟湘玉的口吻二创「甄嬛传」。「AI甄嬛」妙语连珠，出人意料的演绎瞬间点燃全场。

今天，文心5.0 Preview同步上线文心App；开发者和企业用户可通过千帆大模型平台，调用文心大模型5.0 Preview API。

百度创始人李彦宏表示，「智能本身是最大的应用，而技术迭代速度是唯一护城河」。

同在今天，OpenAI也甩出了新王牌——GPT-5.1系列，双模型同时登场，主打一个智商情商双在线。

好巧不巧的是，文心5.0和GPT-5.1升级亮点颇有默契：

智力拉满，情商在线，而且语言风格自然更像人，还能读懂模糊指令背后的真实意图。

举个栗子——

天呐，没想到文心5.0 Preview可以切身体会个人感受，冷静分析心理过程，更像一个AI朋友，给予安慰和鼓励。

上下滑动查看

GPT-5.1在情绪安抚上也做得不错，但又不如文心5.0 Preview细致入微，更加贴心。

与此同时，文心5.0 Preview在大模型竞技场LMArena上的亮眼成绩——文本排行榜全球并列第二、中国第一，也让歪果仁为之震撼。

左右滑动查看

现在，进入文心一言网页版、文心APP以及千帆API平台，即可上手试用最新的文心5.0 Preview模型了。

接下来，我们开启了一波最全面的实测。

上传一段OpenAI播客视频（开篇节选），让文心5.0 Preview去提取视频内容。

要实现这一点，需要AI对视频可以进行多模态解析，包括语音识别、内容提取，并生成一份结构化的内容摘要。

在近1分半视频中，模型一下抓住了三人对话的核心讨论点——ChatGPT名字的诞生。

包括关键对话和互动细节，都给出了对应的原文。

相比之下，GPT-5并不能直接从视频中转录语音。

也就是说，我们需要把视频和音频分开上传才行。

GPT-4o没说自己不行，但是从给出的回答来看，这段所谓的「内容摘录」完全就是驴唇不对马嘴。

再来一段特斯拉FSD行驶的视频，考一考文心5.0 Preview的场景理解能力。

要真正理解这段视频，可不只是「识图」那么简单。

除了基本的视觉输入、语音/文字识别，AI还需要有「空间理解」的能力，可以看到物体之间的相对位置。

同时，还需具备动态感知的能力，进行时间依赖的时序建模。

可以看到，文心5.0 Preview给出了堪称完美的分析过程，从核心场景、车辆行为与FSD逻辑，到人类观察者的反应，以及技术亮点、视频核心意图。

上下滑动查看

不管是动作的先后顺序，比如车减速后，避让鹅群再行驶；还是更细致的「导航界面」和「真实环境」，比如车速、前进挡（D）、倒车挡（R），以及摄像头画面。

文心5.0 Preview是在真正的「理解世界」，而不只是识别像素。

来一段《无间道》的经典片段，看看文心5.0 Preview能否抓到人物之间对立冲突的细节。

来源：抖音「有戏影视」

没想到，它准确定位「42秒-51秒」是片段中最紧张的几秒。

这一过程，AI需要同时完成多线作战，包括画面与音效，威胁/请求等话语行为，角色意图等，才能捕捉到视频中冲突的变化——

可以看出，文心5.0 Preview还能理解人物情绪的变化过程，一眼抓住了两人的微妙的表情：

刘建明从最初的恳切请求，逐渐转为说出「那就让我死」的坚定与紧张；陈永仁从不耐烦与其周旋，最后直接冷脸道出「我是警察」的身份。

上下滑动查看

再来一个情绪变化更细腻的短片。

咱们先让文心5.0 Preview点评下男主的演技，并让它写一段100字的小红书文案。

先来看演技，文心5.0 Preview能够围绕角色情绪爆发背后，一个递进的层次去分析，并用了一些高密度的形容词——

• 压抑后的爆发

• 情绪是攒出来的

• 痛不是演出来的，是渗出来的.....

  
  

这些独到的描述，显然是基于对人物情绪深度理解，才可以得出。

文心5.0 Preview能够结合视频的音频画面情节，对情绪、行为、文字进行综合分析。

结尾给出的小红书文案抓住了「情绪破防点」，更加自然有人味，而且还生成了tag，符合平台的风格。

除了视频，我们还可以把一连串图片扔给文心5.0 Preview。

这里，将姚顺宇个人领英、主页介绍等相关截图上传，让模型做一段人物介绍。

仅靠简单OCR是不行的，它需要先识别文字内容，然后再推断这些图像之间的主题关联所在。

它需要将分散在多张截图中的零散内容，整合出一条人物主线：

这恰恰又体现了，文心5.0 Preview所具备的语义聚合与逻辑重构的能力，可以把异质数据拼成一致的叙事。

一个视频理解难不倒文心5.0 Preview，接下来，就要上点难度了。

最近火遍全网的《一点点》舞蹈，下面挑选了两段不同风格的视频，让文心5.0 Preview做一个点评。

可以看出，它可以针对动作风格、表情管理、服装适配度、情绪传递不同维度，给出一个总结性的评价——

一一点评之后，还有一个可视化表格清晰列出了她们各自风格、动作特点等。

上下滑动查看

文心5.0 Preview还可以做多模态推理，针对复杂场景做出分析判断。

《名侦探柯南》中图书馆杀人事件，是许多人心目中「童年阴影级」剧集，案件设计堪称经典。

文心5.0 Preview能否化身侦探，分析出17分钟剧集中柯南的查案过程呢？

显而易见，它将复杂剧情，拆解成可验证的小步子。

初始线索里，图书馆中的异常书籍不仅用收缩膜包裹，还被反放在盒子中。随着剧情推进，它还推断出书架异常摆放的「三排书」的线索。

另一条关键线索便是「电梯藏尸」，文心5.0 Preview精准捕捉到一开始，柯南和小伙伴赶电梯却超重的环节，并通过验证得出结论。

从金川馆长作案流程，到柯南断案过程，文心5.0 Preview做了整合推理，得出了一条柯南破案逻辑链：

上下滑动查看

在前段时间热播的《喜人奇妙夜2》中，《技能五子棋》这个节目可以说是火遍了各大社交媒体。

它的魔性旋律血洗全网，有网友化身唱跳达人，还有人灵感迸发二创，更有人将日常生活填进旋律。

从普通网友到当红明星，不同圈层的人，很难不卷入这场狂欢之中。

有趣的是，就连AI圈也未能幸免。

在最近的评测中，做一个「技能五子棋」游戏，几乎成为了每个模型都要面对的代码必答题

不过这次，我们不是简单地让AI随便生成一个，而是要真正「复刻」出里面的技能——飞沙走石，静如止水，力拔山兮。

把「魔性」的台词直接加入Prompt里，很快，文心5.0 Preview就生成了近700行代码，并在最后附上了游戏的玩法说明。

没想到，如此「抽象」的台词，文心5.0 Preview竟然就这么水灵灵地理解了：

而且，模型也很好地遵循了我们的Prompt，设计了一个相当美观的界面。

在试玩之前，我们先来简单介绍这款「技能五子棋」。

画面右上角显示的是，当前是哪位玩家的回合，以及各自拥有的技能点。其中，玩家每走一步都会获得1个技能点（SP）。

右侧则是技能名称，以及它们消耗的点数：飞沙走石（2 SP），静如止水（4 SP），力拔山兮（8 SP）。如果攒够了相应的技能点，选项框就会亮起。

右下角是重新开始按钮，以及一个展示玩家历史操作的滚动窗口。

接下来，比赛开始。

刚开局，黑棋就用「飞沙走石」送走白棋的一枚棋子，抢占了优势，

紧接着，白棋使出「静如止水」连下两子，让黑棋瞬间陷入被动。

千钧一发之际，率先攒够8个技能点的黑棋，毫不犹豫点下「力拔山兮」，把白棋一波带走，实现翻盘。

完整过程如下：

原生全模态，不是多模态的「加法」。

一提到多模态AI，人们可能想到的是，将语言、图像、视频、音频等不同数据「拼接」起来的模型。

当前，业界大多都采用了这种「后期融合」方式的多模态模型。

但文心5.0不同，它从根源上构建了一个统一的架构，即新一代「原生全模态大模型」。

自训练伊始，文心5.0融合了语言、图像、视频、音频等多模态数据，实现了文、图、视、音的联合输入与输出。

这样一来，文心5.0就能真正做到原生的全模态理解与生成。

不过在此之前，百度团队克服了业内普遍面临的难题：

一般来说，传统方法往往先是处理单一模态，再将所有模态数据融合。这种方法看似优雅，实则会带来很多致命的问题。

后期融合只在输出层进行，也就是说，每个模态的特征在融合之前，就已独立决策完成。

这样的AI根本学不到模态之间的「深层语义交互」，比如视频中，人物表情和语音语调高度相关，进而造成信息丢失。

文心5.0通过精细建模多模语义特征，让理解和生成相互增强。

同时，它还采用了「自回归统一结构」，对不同模态的训练目标进行离散化建模，确保了多模态特征在统一框架下充分融合并协同优化，由此提升了全模态统一建模的能力。

在参数规模上，文心5.0总参数超过2.4万亿，业界公开参数的模型之最。

更关键的是，它引入了超稀疏混合专家架构，进行庞大的全模态训练。

其激活参数比例低于3%，在保持强大能力的同时，显著降低计算和推理成本。

要让万亿级全模态MoE真正跑得动、跑得快，团队在训练与推理上同时开刀，构建了一套高效的训推体系。

1. 高效全模态超稀疏混合专家分布式训练

在训练阶段，依托飞桨框架，他们研发了多模态编码器分离异步训练架构、动态自适应显存卸载技术，以及细粒度通信计算重叠编排专家并行技术。

同时，结合FP8混合精度训练，实现了对万亿级参数全模态超稀疏混合专家模型的高效训练。

结果，文心5.0预训练性能较基准提速230%。

2. 多级分离架构的全模态统一高性能推理

在推理阶段，文心5.0采用了「多模编码器-预填充-解码-多模生成器」的多级分离推理部署框架。

此外，团队还研发了面向超稀疏混合专家、数据负载和注意力计算的均衡算法，以及动态自适应多步投机解码和效果无损低比特键值缓存量化技术。

在推理成本上，文心5.0得到大幅压缩，真正实现了效率与能力的平衡，让其更接近实用。

此外，衡量一个模型能否从实验室走向实际应用，长程任务的指标是最重要的衡量因素之一。

为了提升文心5.0长程任务的能力，团队基于大规模工具环境，合成了长程任务轨迹数据。

然后，在预训练和后训练阶段，基于思维链和行动链对文心5.0进行「端到端」多轮强化学习训练。

由此可见，文心5.0的智能体和工具调用能力，得到了显著的提升。

过去两年，多模态模型已迅速崛起，成为驱动AI时代发展的核心引擎。

与传统大语言模型不同，它突破了单一文本的限制，通过无缝融合图像、音频、视频等多源信息，实现了更接近人类的综合理解与生成能力。

放眼全球，在这场AI大战中，OpenAI、谷歌等硅谷巨头早已在多模态赛道上抢先布局。

OpenAI发布GPT-4o时，便向世界生动展示了多模态AI应有的交互形态——

而谷歌的Gemini系列，更是从诞生之初便被烙上了「原生多模态」的印记。

他们在技术报告中，多次强调了原生多模态与非原生的差异。

CEO Demis Hassabis也曾明确表示，Gemini的目标就是要让一个模型能原生地理解图像、音频和视频。

最终，实现与物理世界的真实交互。

视线转回国内，阿里、字节等头部大厂同样在多模态赛道上重兵布局。而在众多路径中，百度选择了一条更效率导向的道路——「原生全模态」。

原生全模态，意味着模型从训练的第一天起，就如人类一般，活在视觉、听觉与文字交融的统一感知中。

和婴儿一样，它学习世界的方式是通过所有感官的同步输入来形成认知。毕竟，人类的思考从来都不是「先看再听再想」的线性接力，而是所有信息洪流的同步融合。

这之中的核心，便是将每一帧画面、每一段声音、乃至每一个词语，都转化为一套统一的离散符号流，并置于同一个自回归框架下建模。

也就是说，当你输入一段街头艺人表演的视频，探寻「背后的故事」时，AI不再是割裂地解析画面、分析音频，最后拼凑答案。它能在一个统一的语义空间中，同步完成感知、推理与叙事，像人类一样，给予一个完整而深刻的回应。

正是凭借这种全模态的内在优势，文心5.0得以突破复杂场景的束缚，为AI的未来应用开启无限想象。

更值得一提的是，文心的实力，早已超越了实验室的范畴，在真实应用中形成了技术落地的闭环。

发布会现场，与百度连线的「AI老罗」便是最好的证明。他不仅能轻松做出「点赞、比心、比耶」的互动三连，更在问答环节中，将罗永浩本人「犀利吐槽」的语言风格模仿得惟妙惟肖。

技术基于慧播星高说服力数字人

如今，当理解与生成走向统一，当技术与应用协同共生，人机智能的边界也正悄然消融。

在这场全球大模型的激烈角逐中，文心正以全新姿态，强势回归！