ERNIE 4.5 模型的高级功能，特别是基于 MoE 的 A47B 和 A3B 系列，得到了几项关键技术创新的支撑：
多模态异构 MoE 预训练： 我们的模型在文本和视觉模态上联合训练，以更好地捕捉多模态信息的细微差别，并提高文本理解与生成、图像理解及跨模态推理等任务的表现。为了实现这一点，不使一种模态阻碍另一种模态的学习，我们设计了 异构 MoE 结构，引入了 模态隔离路由，并采用了 路由正交损失 和 多模态 Token 平衡损失。这些结构选择确保了两种模态的有效表示，使得它们在训练过程中能够相互增强。
扩展效率化的基础设施： 我们为 ERNIE 4.5 模型的有效训练提出了一种新颖的异构混合并行主义和分层负载平衡策略。通过使用节点内专家并行主义、内存高效的管道调度、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 方法和 卷积码量化 算法，以实现 4 位/2 位无损量化。此外，我们引入了基于动态角色切换的 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 在广泛的硬件平台上实现了高性能推理。
模态特定后训练： 为了满足现实世界应用的多样化需求，我们对预训练模型的变体进行了特定模态的微调。我们的 LLMs 优化了一般性的语言理解和生成。VLMs 则专注于视觉语言理解，并支持思考和和非思考模式。每个模型在后续训练中采用了 监督微调（SFT）、直接偏好优化（DPO） 或名为 统一偏好优化（UPO） 的改进型强化学习方法。
ERNIE-4.5-0.3B-Base 是一个文本密集型基础模型。以下是模型配置的详细信息：
| 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 |
ERNIEKit 是基于 PaddlePaddle 开发的一个训练工具包，专门为 ERNIE 系列开源大型模型设计。它为指令微调（SFT、LoRA）和对齐训练（DPO）等场景提供了全面支持，以确保最佳性能。
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。
可以使用以下命令通过 FastDeploy 快速完成服务部署。有关更详细的用法说明，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 32transformers 库以下是一个代码示例，展示如何根据给定的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 正在适配中，优先考虑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-codeERNIE 4.5 模型遵循 Apache License 2.0 提供。该许可证允许在遵守其条款和条件的前提下进行商业使用。版权所有（c）2025 百度公司。保留所有权利。
若您认为 ERNIE 4.5 有用或希望将其应用于您的项目中，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={}
}