飞桨PaddlePaddle/ERNIE-4.5-0.3B-Base-PT
模型介绍文件和版本Pull Requests讨论分析
下载使用量0
聊天 Hugging Face GitHub 博客
许可证

ERNIE-4.5-0.3B-Base

ERNIE 4.5 的亮点

ERNIE 4.5 模型的先进能力，特别是基于 MoE 的 A47B 和 A3B 系列，依赖于几项关键技术创新：

  1. 多模态异构 MoE 预训练： 我们的模型在文本和视觉模态上共同训练，以更好地捕捉多模态信息的细微差别，并提高在文本理解与生成、图像理解以及跨模态推理等任务上的性能。为了避免一个模态阻碍另一个模态的学习，我们设计了一种 异构 MoE 结构，引入了 模态隔离路由，并应用了 路由正交损失 和 多模态标记平衡损失。这些结构选择确保了两种模态都能有效表示，从而在训练过程中实现相互强化。

  2. 扩展效率化的基础设施： 我们提出了新颖的异构混合并行主义和分层负载平衡策略，以高效训练 ERNIE 4.5 模型。通过使用节点内专家并行主义、内存效率化的管道调度、FP8 混合精度训练和细粒度重计算方法，我们实现了卓越的预训练吞吐量。对于推理，我们提出了 多专家并行协作 方法及 卷积代码量化 算法，实现了 4 位/2 位无损量化。此外，我们引入了带有动态角色切换的 PD 解耦，以有效利用资源，增强 ERNIE 4.5 MoE 模型的推理性能。基于 PaddlePaddle，ERNIE 4.5 在多种硬件平台上提供高性能推理。

  3. 模态特定后训练： 为满足现实世界应用的多样化需求，我们对预训练模型的不同模态变种进行了微调。我们的 LLM 优化了通用语言理解与生成；VLM 则专注于视觉语言理解，并支持思考和和非思考模式。每个模型都采用了 监督微调（SFT）、直接偏好优化（DPO） 或一种修改后的强化学习方法，名为 统一偏好优化（UPO），进行后训练。

模型概览

ERNIE-4.5-0.3B-Base 是一个文本密集型基础模型。以下是对模型配置细节的说明：

关键字值
模态文本
训练阶段预训练
参数量0.36B
层数18
头数（Q/KV）16 / 2
上下文长度131072

快速入门

使用 ERNIEKit 进行模型微调

ERNIEKit 是基于 PaddlePaddle 的训练工具包，专门为 ERNIE 系列开源大型模型设计。它为指令微调（SFT、LoRA）和对比训练（DPO）等场景提供全面支持，确保最佳性能。

使用示例：

# Download Model
huggingface-cli download baidu/ERNIE-4.5-0.3B-Base-Paddle --local-dir baidu/ERNIE-4.5-0.3B-Base-Paddle
# SFT
erniekit train examples/configs/ERNIE-4.5-0.3B/sft/run_sft_8k.yaml model_name_or_path=baidu/ERNIE-4.5-0.3B-Base-Paddle
# DPO
erniekit train examples/configs/ERNIE-4.5-0.3B/dpo/run_dpo_8k.yaml model_name_or_path=baidu/ERNIE-4.5-0.3B-Base-Paddle

对于更详细的示例，包括带有 LoRA 的 SFT、多 GPU 配置以及高级脚本，请参考 ERNIEKit 存储库中的示例文件夹。

FastDeploy 推理

可以使用以下命令通过 FastDeploy 快速完成服务部署。关于更详细的用法指导，请参考 FastDeploy 存储库。

python -m fastdeploy.entrypoints.openai.api_server \
       --model baidu/ERNIE-4.5-0.3B-Base-Paddle \
       --port 8180 \
       --metrics-port 8181 \
       --engine-worker-queue-port 8182 \
       --max-model-len 32768 \
       --max-num-seqs 32

使用 transformers 库

以下是一个代码片段，展示了如何根据给定输入使用模型生成内容。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "baidu/ERNIE-4.5-0.3B-Base-PT"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)

prompt = "Large language model is"
model_inputs = tokenizer([prompt], add_special_tokens=False, return_tensors="pt").to(model.device)

generated_ids = model.generate(
    model_inputs.input_ids,
    max_new_tokens=1024
)
result = tokenizer.decode(generated_ids[0].tolist(), skip_special_tokens=True)
print("result:", result)

vLLM 推断

vLLM目前正在适配中，可以优先使用我们分叉的代码仓库 vllm。我们正在与社区合作，全面支持ERNIE4.5模型，敬请期待。

vllm serve baidu/ERNIE-4.5-0.3B-Base-PT --trust-remote-code

许可证

ERNIE 4.5 模型遵循 Apache License 2.0 提供服务。该许可证在遵守其条款和条件的前提下，允许商业用途。版权所有（c）2025 百度公司。保留所有权利。

引用

如果您发现 ERNIE 4.5 有用或希望在您的项目中使用它，请务必引用我们的技术报告：

@misc{ernie2025technicalreport,
      title={ERNIE 4.5 Technical Report},
      author={Baidu ERNIE Team},
      year={2025},
      eprint={},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={}
}