ERNIE 4.5 300B A47B PT GGUF
ERNIE-4.5-300B-A47B 是一款基於 MoE 架構的多模態預訓練模型,具備強大的文本理解和生成能力,支持視覺-語言聯合推理。
下載量 186
發布時間 : 7/18/2025
模型概述
該模型採用多模態異構 MoE 預訓練技術,結合高效擴展基礎設施和特定模態微調,在文本生成、視覺語言理解等任務上表現優異。
模型特點
多模態異構 MoE 預訓練
通過模態隔離路由和損失函數設計,實現文本與視覺模態的高效聯合訓練
高效擴展基礎設施
採用異構混合並行策略和分層負載均衡,支持 FP8 混合精度訓練和 4 位/2 位無損量化推理
特定模態微調
通過 SFT、DPO 和 UPO 方法針對不同應用場景優化模型性能
模型能力
多模態理解
長文本生成(131072 tokens)
跨模態推理
網絡搜索增強
多語言支持
使用案例
智能問答
百科知識問答
結合網絡搜索結果提供權威解答
優先引用百科、官網等高權威來源
內容創作
多模態內容生成
根據圖文輸入生成連貫內容
支持態度鮮明、文采飛揚的創作風格
🚀 ERNIE-4.5-300B-A47B
ERNIE-4.5-300B-A47B 是一款文本生成模型,具有多模態預訓練、高效訓練架構和特定模態微調等先進技術,在文本理解和生成等任務上表現出色。
⚠️ 重要提示
注意:“-Paddle” 模型使用 PaddlePaddle 權重,而 “-PT” 模型使用 Transformer 風格的 PyTorch 權重。
✨ 主要特性
ERNIE 4.5 模型,特別是基於 MoE 的 A47B 和 A3B 系列,具備先進的能力,這得益於以下幾個關鍵的技術創新:
- 多模態異構 MoE 預訓練:我們的模型在文本和視覺兩種模態上進行聯合訓練,以更好地捕捉多模態信息的細微差別,並提高在文本理解與生成、圖像理解和跨模態推理等任務上的性能。為了避免一種模態阻礙另一種模態的學習,我們設計了一種異構 MoE 結構,引入了模態隔離路由,並採用了路由正交損失和多模態令牌平衡損失。這些架構選擇確保了兩種模態都能得到有效表示,從而在訓練過程中實現相互強化。
- 高效擴展的基礎設施:我們提出了一種新穎的異構混合並行和分層負載均衡策略,用於 ERNIE 4.5 模型的高效訓練。通過使用節點內專家並行、內存高效的流水線調度、FP8 混合精度訓練和細粒度重計算方法,我們實現了卓越的預訓練吞吐量。在推理方面,我們提出了多專家並行協作方法和卷積代碼量化算法,以實現 4 位/2 位無損量化。此外,我們引入了具有動態角色切換的 PD 解聚技術,以有效利用資源,提高 ERNIE 4.5 MoE 模型的推理性能。基於 PaddlePaddle 構建的 ERNIE 4.5 能夠在廣泛的硬件平臺上實現高性能推理。
- 特定模態的後訓練:為了滿足現實應用的多樣化需求,我們針對特定模態對預訓練模型的變體進行了微調。我們的大語言模型(LLMs)針對通用語言理解和生成進行了優化。視覺語言模型(VLMs)專注於視覺 - 語言理解,並支持思考和非思考兩種模式。每個模型在後期訓練中都採用了監督微調(SFT)、*直接偏好優化(DPO)或一種名為統一偏好優化(UPO)*的改進強化學習方法。
📦 安裝指南
在使用該模型之前,請確保你已經安裝了 transformers
庫(版本 4.50.0 或更高)。
💻 使用示例
基礎用法
使用 transformers
庫調用模型:
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "baidu/ERNIE-4.5-300B-A47B-PT"
# load the tokenizer and the model
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)
# prepare the model input
prompt = "Give me a short introduction to large language model."
messages = [
{"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True
)
model_inputs = tokenizer([text], add_special_tokens=False, return_tensors="pt").to(model.device)
# conduct text completion
generated_ids = model.generate(
model_inputs.input_ids,
max_new_tokens=1024
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist()
# decode the generated ids
generate_text = tokenizer.decode(output_ids, skip_special_tokens=True).strip("\n")
print("generate_text:", generate_text)
高級用法
使用 vLLM 調用模型:
# 80G * 16 GPU
vllm serve baidu/ERNIE-4.5-300B-A47B-PT --trust-remote-code
# FP8 online quantification 80G * 16 GPU
vllm serve baidu/ERNIE-4.5-300B-A47B-PT --trust-remote-code --quantization fp8
📚 詳細文檔
採樣參數
為了獲得最佳性能,我們建議使用 Temperature=0.8
,TopP=0.8
。
網絡搜索提示
對於網絡搜索,{references}、{date} 和 {question} 是參數。
對於中文問題,我們使用以下提示:
ernie_search_zh_prompt = \
'''下面你會收到當前時間、多個不同來源的參考文章和一段對話。你的任務是閱讀多個參考文章,並根據參考文章中的信息回答對話中的問題。
以下是當前時間和參考文章:
---------
#當前時間
{date}
#參考文章
{references}
---------
請注意:
1. 回答必須結合問題需求和當前時間,對參考文章的可用性進行判斷,避免在回答中使用錯誤或過時的信息。
2. 當參考文章中的信息無法準確地回答問題時,你需要在回答中提供獲取相應信息的建議,或承認無法提供相應信息。
3. 你需要優先根據百科、官網、權威機構、專業網站等高權威性來源的信息來回答問題。
4. 回覆需要綜合參考文章中的相關數字、案例、法律條文、公式等信息,使你的答案更專業。
5. 當問題屬於創作類任務時,需注意以下維度:
- 態度鮮明:觀點、立場清晰明確,避免模稜兩可,語言果斷直接
- 文采飛揚:用詞精準生動,善用修辭手法,增強感染力
- 有理有據:邏輯嚴密遞進,結合權威數據/事實支撐論點
---------
下面請結合以上信息,回答問題,補全對話
{question}'''
對於英文問題,我們使用以下提示:
ernie_search_en_prompt = \
'''
Below you will be given the current time, multiple references from different sources, and a conversation. Your task is to read the references and use the information in them to answer the question in the conversation.
Here are the current time and the references:
---------
#Current Time
{date}
#References
{references}
---------
Please note:
1. Based on the question’s requirements and the current time, assess the usefulness of the references to avoid using inaccurate or outdated information in the answer.
2. If the references do not provide enough information to accurately answer the question, you should suggest how to obtain the relevant information or acknowledge that you are unable to provide it.
3. Prioritize using information from highly authoritative sources such as encyclopedias, official websites, authoritative institutions, and professional websites when answering questions.
4. Incorporate relevant numbers, cases, legal provisions, formulas, and other details from the references to make your answer more professional.
5. For creative tasks, keep these dimensions in mind:
- Clear attitude: Clear views and positions, avoid ambiguity, and use decisive and direct language
- Brilliant writing: Precise and vivid words, good use of rhetoric, and enhance the appeal
- Well-reasoned: Rigorous logic and progressive, combined with authoritative data/facts to support the argument
---------
Now, using the information above, answer the question and complete the conversation:
{question}'''
參數說明:
- {question} 是用戶的問題。
- {date} 是當前時間,推薦格式為 “YYYY-MM-DD HH:MM:SS, 星期幾, 北京/中國”。
- {references} 是參考文章,推薦格式如下:
##參考文章1
標題:周杰倫
文章發佈時間:2025-04-20
內容:周杰倫(Jay Chou),1979年1月18日出生於臺灣省新北市,祖籍福建省永春縣,華語流行樂男歌手、音樂人、演員、導演、編劇,畢業於淡江中學。2000年,發行個人首張音樂專輯《Jay》。...
來源網站網址:baike.baidu.com
來源網站的網站名:百度百科
##參考文章2
...
🔧 技術細節
屬性 | 詳情 |
---|---|
模型類型 | 文本 MoE 後訓練模型 |
訓練階段 | 預訓練 |
參數(總參數 / 激活參數) | 3000 億 / 470 億 |
層數 | 54 |
頭數(Q/KV) | 64 / 8 |
文本專家(總數 / 激活數) | 64 / 8 |
視覺專家(總數 / 激活數) | 64 / 8 |
上下文長度 | 131072 |
📄 許可證
ERNIE 4.5 模型遵循 Apache 許可證 2.0。該許可證允許商業使用,但需遵守其條款和條件。版權所有 (c) 2025 百度公司。保留所有權利。
📚 引用
如果您發現 ERNIE 4.5 很有用,或者希望在您的項目中使用它,請引用我們的技術報告:
@misc{ernie2025technicalreport,
title={ERNIE 4.5 Technical Report},
author={Baidu ERNIE Team},
year={2025},
eprint={},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={}
}
Phi 2 GGUF
其他
Phi-2是微軟開發的一個小型但強大的語言模型,具有27億參數,專注於高效推理和高質量文本生成。
大型語言模型 支持多種語言
P
TheBloke
41.5M
205
Roberta Large
MIT
基於掩碼語言建模目標預訓練的大型英語語言模型,採用改進的BERT訓練方法
大型語言模型 英語
R
FacebookAI
19.4M
212
Distilbert Base Uncased
Apache-2.0
DistilBERT是BERT基礎模型的蒸餾版本,在保持相近性能的同時更輕量高效,適用於序列分類、標記分類等自然語言處理任務。
大型語言模型 英語
D
distilbert
11.1M
669
Llama 3.1 8B Instruct GGUF
Meta Llama 3.1 8B Instruct 是一個多語言大語言模型,針對多語言對話用例進行了優化,在常見的行業基準測試中表現優異。
大型語言模型 英語
L
modularai
9.7M
4
Xlm Roberta Base
MIT
XLM-RoBERTa是基於100種語言的2.5TB過濾CommonCrawl數據預訓練的多語言模型,採用掩碼語言建模目標進行訓練。
大型語言模型 支持多種語言
X
FacebookAI
9.6M
664
Roberta Base
MIT
基於Transformer架構的英語預訓練模型,通過掩碼語言建模目標在海量文本上訓練,支持文本特徵提取和下游任務微調
大型語言模型 英語
R
FacebookAI
9.3M
488
Opt 125m
其他
OPT是由Meta AI發佈的開放預訓練Transformer語言模型套件,參數量從1.25億到1750億,旨在對標GPT-3系列性能,同時促進大規模語言模型的開放研究。
大型語言模型 英語
O
facebook
6.3M
198
1
基於transformers庫的預訓練模型,適用於多種NLP任務
大型語言模型
Transformers

1
unslothai
6.2M
1
Llama 3.1 8B Instruct
Llama 3.1是Meta推出的多語言大語言模型系列,包含8B、70B和405B參數規模,支持8種語言和代碼生成,優化了多語言對話場景。
大型語言模型
Transformers 支持多種語言

L
meta-llama
5.7M
3,898
T5 Base
Apache-2.0
T5基礎版是由Google開發的文本到文本轉換Transformer模型,參數規模2.2億,支持多語言NLP任務。
大型語言模型 支持多種語言
T
google-t5
5.4M
702
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98