2.4万亿参数，原生全模态！百度发布文心大模型5.0

1月22日，百度发布并上线原生全模态大模型文心5.0正式版。该模型参数达2.4万亿，采用原生全模态统一建模技术，具备全模态理解与生成能力，支持文本、图像、音频、视频等多种信息的输入与输出。

目前，个人用户可在文心APP、文心一言官网体验，企业与开发者可通过百度千帆平台进行调用。在40余项权威基准的综合评测中，文心 5.0 正式版的语言与多模态理解能力超越Gemini-2.5-Pro、GPT-5-High等模型，稳居国际第一梯队。图像与视频生成能力与垂直领域专精模型相当，整体处于全球领先水平。此前，百度文心助手月活已突破2亿。

拒绝“拼接”，告别转译，原生全模态理解输出

据百度集团副总裁、深度学习技术及应用国家工程研究中心副主任吴甜介绍，与业界多数采用“后期融合”的多模态方案不同，文心5.0的技术路线采用统一的自回归架构进行原生全模态建模，将文本、图像、视频、音频等多源数据在同一模型框架中进行联合训练，使得多模态特征在统一架构下充分融合并协同优化，实现原生的全模态统一理解与生成。

此外，文心5.0采用超大规模混合专家结构，具备超稀疏激活参数，激活参数比低于 3%，在保持模型强大能力的同时，有效提升推理效率。同时，基于大规模工具环境，合成长程任务轨迹数据，并采用基于思维链和行动链的端到端多轮强化学习训练，显著提升了模型的智能体和工具调用能力。

“应用模型的价值不在模型里，而在应用里”

现场，百度应用模型研发部负责人贾磊分享了文心应用模型的最新进展。他指出，应用模型的价值不在模型里，而在应用里，希望让模型在真实应用场景里“跑得稳、答得对、用得起”。

基于文心基础大模型，百度构建了矩阵模型和专精模型。矩阵模型面向产品级应用和通用场景快速落地，包括文心Lite模型、视频大模型和语音大模型；专精模型面向行业应用和垂直场景，包括搜索闪电专精模型、电商蒸汽机模型、文心数字人大模型及行业大模型。

贾磊在现场分享了三项技术突破：基于声音 Token 的端到端合成大模型、5分钟超越真人的直播技术、实时交互数字人技术。

基于声音Token的端到端合成大模型由满帧语音token的离散表示来定义token，以MoE大语言模型来建模韵律，基于flow的后处理来描述声音的谱分布，基于Unet的自重构特征的vocoder来描述刻画声音。

5分钟超越真人的直播技术通过对目标音色的少量采样，经过脸谱和化妆，通过检索增强匹配不同文体和场景的韵律模式，使合成语音具备直播带货所需的情绪、节奏与感染力。

实时交互数字人技术采用三态Token联动架构，实现文本、语音、视频的流式控制，突破传统数字人三个模态串联的制作模式。在此基础上，系统自动完成动作衔接、动作编排与状态重组，并由声音Token实时驱动表情与口型，输出三态合一的视频流，具有低延迟、低成本和高表现力的特点，百度罗永浩数字人即是基于这项技术开发。

全流程支持，百度千帆助力大模型落地产业

百度的数字人生成技术，此前已广泛应用于直播带货等场景，2025年罗永浩数字人直播就曾打破行业记录。在模型应用赋能行业的背后，是百度基于多年积累的全栈自研实力，打通“芯云模体”的全链技术架构。

在文心Moment大会当天，百度千帆平台产品负责人张婷详细介绍了千帆专为行业落地打造的Agent Infra，平台提供包括文心5.0及全场景150+SOAT模型服务，集成包括百度AI搜索在内的众多工具及MCP和Agent工具链，并结合数据管理和企业级服务，可以为企业提供全周期、稳定支持多场景业务的运行环境，显著降低企业Agent创新门槛。

目前，千帆平台上已累计开发超130万个Agents，以百度独家能力“百度AI搜索”为代表的工具日均调用量已突破千万次。

基于强大的原生全模态统一建模技术，与2.4万亿参数的海量算力，“文心5.0”已具备让AI应用走进真实行业与复杂场景，提供更高效解决方案的能力。全球AI行业经历过去几年快速发展，正进入一个新的快车道，但在AI应用领域，以对话或文字输入为主的Chatbot仍是主流形式。AI如何应用于真实世界与行业，从而进一步产生价值，是行业都在探索的方向。

作为国内最早发布大模型的企业之一，百度正基于多年积累的技术实力，形成以芯片为底座，智能云为平台框架，以模型支撑各类智能体应用的“芯云模体”全栈自研生态闭环，持续探索赋能行业的AI解决方案。