百度近日正式推出原生全模態(tài)大模型文心5.0，標志著其在人工智能領域的技術突破邁入新階段。該模型采用統(tǒng)一的自回歸架構進行原生全模態(tài)建模，將文本、圖像、視頻、音頻等多源數(shù)據(jù)在同一框架下聯(lián)合訓練，實現(xiàn)了真正的多模態(tài)統(tǒng)一理解與生成。與傳統(tǒng)的“后期融合”方案不同，這一技術路線使多模態(tài)特征在統(tǒng)一架構下充分融合，避免了拼接式處理的局限性。

文心5.0的參數(shù)規(guī)模達2.4萬億，通過超大規(guī)?；旌蠈＜医Y構實現(xiàn)超稀疏激活，激活參數(shù)比低于3%，在保持強大能力的同時顯著提升了推理效率。模型還引入了基于思維鏈和行動鏈的端到端多輪強化學習訓練方法，結合大規(guī)模工具環(huán)境合成的長程任務軌跡數(shù)據(jù)，大幅增強了智能體和工具調用能力。在40余項權威基準測試中，其語言與多模態(tài)理解能力超越Gemini-2.5-Pro、GPT-5-High等國際主流模型，圖像與視頻生成能力與垂直領域專精模型相當，整體處于全球領先水平。

應用層面，文心5.0已構建起覆蓋通用場景與行業(yè)需求的模型矩陣。矩陣模型包括文心Lite、視頻大模型和語音大模型，面向產品級應用快速落地；專精模型則針對搜索、電商、數(shù)字人等垂直領域開發(fā)，如搜索閃電專精模型、電商蒸汽機模型等。百度應用模型研發(fā)部負責人透露，基于聲音Token的端到端合成大模型通過離散語音表示、MoE韻律建模和Unet自重構特征等技術，實現(xiàn)了高質量語音合成；5分鐘直播技術通過少量音色采樣和韻律模式匹配，使合成語音具備直播帶貨所需的情緒感染力；實時交互數(shù)字人技術采用三態(tài)Token聯(lián)動架構，突破傳統(tǒng)模態(tài)串聯(lián)模式，實現(xiàn)文本、語音、視頻的流式控制，百度羅永浩數(shù)字人即基于此技術開發(fā)。

為推動大模型在產業(yè)中的落地，百度千帆平臺推出Agent Infra解決方案，提供包括文心5.0在內的150余個全場景模型服務，集成百度AI搜索等工具及MCP和Agent工具鏈，結合數(shù)據(jù)管理和企業(yè)級服務，為企業(yè)提供全周期、多場景的業(yè)務運行環(huán)境。目前，千帆平臺已累計開發(fā)超130萬個Agents，以百度AI搜索為代表的工具日均調用量突破千萬次。此前，百度數(shù)字人技術已在直播帶貨等領域廣泛應用，2025年羅永浩數(shù)字人直播曾創(chuàng)下行業(yè)紀錄。

作為國內大模型領域的先行者，百度正通過“芯云模體”全棧自研生態(tài)閉環(huán)持續(xù)探索AI賦能行業(yè)的路徑。該生態(tài)以芯片為底座、智能云為平臺框架、模型為支撐，形成覆蓋硬件、算法、應用的完整鏈條，為AI技術從實驗室走向真實場景提供了可復制的解決方案。當前，全球AI行業(yè)正加速向應用層拓展，如何讓技術真正服務于產業(yè)需求成為關鍵課題，百度的實踐為這一方向提供了重要參考。