Otwarty (Apache 2.0) multimodalny model fundamentowy Baidu: heterogeniczna MoE, warianty do 424B-A47B (VL), kontekst 128K; napędza asystenta Ernie Bot.
Okno kontekstowe
128K
tokenów
Parametry
do 424B (47B aktywne) — VL-424B-A47B; warianty 300B-A47B, 21B-A3B, 28B-A3B, 0.3B
parametrów
Data premiery
16 marca 2025
Dostęp:DownloadAPIHostedWdrożenie:💻 Lokalnie☁ Cloud
Przegląd
Zastosowania
Dostęp i wdrożenie
PobieranieAPIHostowane
LokalnieChmura
Wagi: Open source
Kluczowe parametry
📏 Kontekst: 128K
🧩 Parametry: do 424B (47B aktywne) — VL-424B-A47B; warianty 300B-A47B, 21B-A3B, 28B-A3B, 0.3B
✓ Narzędzia · ✓ Fine-tuning
📥 Wejście: tekst, obraz, wideo
Specyfikacja techniczna
Okno kontekstowe
128K
tokenów
Parametry
do 424B (47B aktywne) — VL-424B-A47B; warianty 300B-A47B, 21B-A3B, 28B-A3B, 0.3B
parametrów
Licencja
Apache 2.0
Wymagania sprzętowe
Rodzina modeli z otwartymi wagami (Apache 2.0) na Hugging Face i AI Studio. Największe warianty MoE (do 424B parametrów łącznie) wymagają klastra GPU o dużej pamięci VRAM; mniejsze warianty (21B-A3B, 0.3B) oraz wersje skwantyzowane (FP8, W4A8C8) umożliwiają lżejsze wdrożenia. Dostępny także przez chmurę Baidu (Qianfan).
Funkcje:✓ Używanie narzędzi✓ Fine-tuning
Modalności
⬇ Wejście (Input)
textimagevideo
⬆ Wyjście (Output)
text
Możliwości i zastosowania
Natywne możliwości modelu
Rozumowanie
Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.
Kategoria: reasoning
Rozumowanie wieloetapowe
Prowadzenie wieloetapowego toku rozumowania w długich, złożonych zadaniach.
Kategoria: reasoning
Rozumowanie matematyczne
Zdolność modelu do rozwiązywania zadań matematycznych wymagających wieloetapowego rozumowania — równania, dowody, kombinatoryka, geometria, rachunek różniczkowy, zadania konkursowe.
Kategoria: reasoning
Programowanie
Generowanie, analizowanie i modyfikowanie kodu w wielu językach programowania. Obejmuje pisanie funkcji, debugowanie, refaktoryzację, code review, tworzenie testów. Mierzone benchmarkami takimi jak HumanEval, SWE-bench.
Kategoria: coding
Długi kontekst
Obsługa dużych okien kontekstowych — dziesiątek do setek tysięcy (lub milionów) tokenów wejścia. Umożliwia analizę całych baz kodu, długich dokumentów, wielu równolegle rozmów bez utraty wcześniejszych informacji. GPT-5.1 wspiera 400 000 tokenów.
Kategoria: language
Wielojęzyczność
Kompetencje w wielu językach naturalnych (od kilku do stu+): rozumienie, generowanie, tłumaczenie, code-switching w obrębie jednej rozmowy. Modele frontier obsługują szeroki wachlarz języków ze zbliżoną jakością.
Kategoria: language
Rozumienie obrazu
Analiza i interpretacja treści obrazów.
Kategoria: vision
Rozumienie wideo
Zdolność modelu do analizy i interpretacji treści wideo — rozpoznawania akcji, ruchu, zdarzeń oraz relacji między obiektami w czasie.
Kategoria: video
Rozumienie multimodalne
Zdolność modelu do łączenia i interpretowania informacji z więcej niż jednej modalności, np. tekstu i obrazu.
Kategoria: multimodal
Użycie narzędzi
Zdolność modelu do wywoływania zewnętrznych funkcji, API i narzędzi w trakcie rozmowy: kalkulator, wyszukiwarka, edytor kodu, baza danych. Model decyduje kiedy i jak użyć narzędzia oraz interpretuje jego wynik.
Kategoria: planning
Przestrzeganie instrukcji
Precyzyjne wypełnianie wskazówek zawartych w prompcie: format odpowiedzi, długość, styl, ograniczenia (np. 'odpowiedz w sześciu słowach'). GPT-5.1 znacząco poprawił tę zdolność względem GPT-5.
Kategoria: language
Wyjście strukturyzowane
Generowanie danych w ustrukturyzowanych formatach, np. JSON.
Kategoria: structured_generation
Naturalna konwersacja
Prowadzenie rozmowy tonu bliskiego ludzkiemu: cieplejszy głos, empatia w odpowiedziach emocjonalnych, humor, unikanie sztywnego 'żargonu asystenta AI'. Wprowadzone jako świadome ulepszenie w GPT-5.1 Instant.
Kategoria: language
Architektura techniczna
Rdzeń architektury (Core Architecture)
Techniki trenowania (Training Techniques)