导读： 百度宣布推出全新的开源多模态推理模型ERNIE 4.5-VL-28B-A3B-Thinking。这款模型以轻量级架构实现了强劲的视觉语言理解能力，不仅在文档与图表理解测试中超越Gemini 2.5 Pro和GPT-5 High，还首次引入“以图思考（Thinking with Images）”功能，支持图像放大、细节识别与视觉推理。

ERNIE 4.5-VL-28B-A3B-Thinking是一款专为视觉与语言融合推理打造的轻量级模型，采用仅3B激活参数的架构，在多个权威测试中取得突破性成绩。

据悉，本次升级的核心，是对视觉与语言模态的语义对齐进行了深度优化。

百度在模型中引入了大规模的视觉语言推理训练数据，使其在理解复杂图像、图表和文本关系时表现出更自然、更精准的语义一致性。

另外，“以图思考（Thinking with Images）”的新功能可以让模型像人类一样，通过放大或缩小图像，去捕捉细节、理解上下文，并借助图像搜索工具解决“长尾知识”问题，显著提升视觉推理深度。

在应用层面，ERNIE 4.5-VL-28B-A3B-Thinking展现了多项强大能力：

• 视觉推理：能理解复杂图表、进行多步逻辑分析。
• STEM问题求解：具备通过图片识别并解题的理科推理能力。
• 视觉定位（Visual Grounding）：可精准识别图像中的目标区域并生成结构化结果。
• 工具调用：支持自主使用图像搜索等外部工具，自动检索未知信息。
• 视频理解：能识别视频中的时间片段、场景变化和字幕内容。

此外，百度宣布该模型全面开源，采用Apache License 2.0许可协议，可商用使用。

目前，百度已在Hugging Face与FastDeploy平台上提供快速部署方案，并开放了ERNIEKit训练工具包，支持LoRA微调与DPO对齐训练。

参考资料：https://yiyan.baidu.com/blog/posts/ernie-4.5-vl-28b-a3b-thinking/