百度官方宣布在6月30日开源旗下大模型，一石激起千层浪。不仅是国内史无前例的一次规模化开源，放眼全球都极具竞争力的一次技术释放，也为AI应用爆发按下快进键。

一起来轻松玩转文心大模型吧一文心大模型免费下载地址：https://ai.gitcode.com/paddlepaddle/ERNIE-4.5-VL-424B-A47B-Paddle

一、前言：

俗话说的好“众人拾柴火焰高”，2025年6月30日，百度正式开源文心大模型4.5系列模型，在 GitCode 上首发宣布“开源”了，其中，涵盖10款不同参数规模的模型，包括激活参数为47B和3B的混合专家（MoE）模型（最大总参数量达424B），以及0.3B的稠密参数模型，提供完整的ERNIEKit微调工具链和FastDeploy推理框架，兼容主流生态，适用于各种业务场景。

在这里插入图片描述

百度文心大模型4.5系列的开源是其技术发展的重要里程碑，该模型结合原生多模态架构与高效性能，在多个领域表现突出，此次开源选择了GitCode作为国内首发平台，全球开发者可免费下载使用，同时模型也在GitCode社区、飞桨星河社区、HuggingFace等平台同步上线。

在这里插入图片描述

文心大模型4.5是百度于2025年3月16日发布的自研新一代原生多模态基础模型，其核心技术包括：

  • ①. 多模态异构专家架构‌：通过跨模态参数共享机制实现文本、图像、音频和视频的协同优化，支持模态间知识融合，同时保留单一模态专用参数空间，显著提升多模态理解能力。
  • ②. 高效训练框架‌：基于飞桨深度学习平台，模型FLOPs利用率达47%，在训练和推理中实现高性能与低延迟。

二、闭源的高墙，终究敌不过开放生态的洪流：

当DeepSeek以开源模式快速占领开发者心智，并通过免费商用协议构建起庞大的“朋友圈”时，百度的闭源策略瞬间沦为行业孤岛，开源模型“低成本、高性能”的特性已彻底改写竞争逻辑，企业若固守闭源，只会被生态边缘化。

这次开源的还将飞桨框架（PaddlePaddle）、ERNIEKit精调工具链、FastDeploy推理套件。

在这里插入图片描述

人工智能产业应用发展的越来越迅速，开发者需要面对的适配部署工作也越来越复杂,层出不穷的算法模型、各种架构的AI硬件、不同场景的部署需求（服务化、嵌入式、移动端等）、不同操作系统和开发语言等都为开发者项目落地带来不小的挑战。

为了解决部署落地难题，飞桨提供了FastDeploy套件，更关注端到端的推理部署能力，最大程度地避免部署中的碎片化工作，FastDeploy具备以下特色能力：

  • ①. 低门槛：通过一行命令下载SDK，一行命令体验部署Demo。此外，对于不同硬件平台，FastDeploy提供了一致的代码，降低二次开发难度。
  • ②. 多场景：支持云、边、端（包括移动端）丰富软硬件环境部署，支持图像、视频流、一键服务化等部署方式，满足不同场景的AI部署需求。
  • ③. 多算法：支持图像分类、目标检测、图像分割、人脸检测、人体关键点检测、文本识别等30多个主流算法模型。

在这里插入图片描述

开源模式本质上是将软件源代码公开，包括代码、架构、训练数据、技术细节等均被公开，允许开发者自由查看、修改和共享，提升透明度和可扩展性，促进社区协作创新，这就避免了闭源模型常见的数据隐私风险和缺乏透明度等问题。‌

“文心大模型4.5”支持文本与视觉理解、高效推理优化及多模态任务处理等，并且预训练权重和推理代码完全开源，为开发者提供了极大的便利，该系列采用飞桨深度学习框架，实现了高效训练和部署，模型权重遵循Apache 2.0协议开源，支持学术研究和产业应用的自由使用与修改。‌

三、ERNIE 4.5技术解读：

文心4.5系列模型均使用飞桨深度学习框架进行高效训练、推理和部署。在大语言模型的预训练中，模型FLOPs利用率（MFU）达到47%。模型在多个文本和多模态数据集上取得了 SOTA 的性能，尤其是在指令遵循、世界知识记忆、视觉理解和多模态推理方面。

在这里插入图片描述

3.1 技术突破一：异构模态MoE架构（Heterogeneous Modality MoE）：

针对 MoE 架构，文心一言提出了一种创新性的多模态异构模型结构，通过跨模态参数共享机制实现模态间知识融合，同时为各单一模态保留专用参数空间，此架构非常适用于从大语言模型向多模态模型的持续预训练范式，在保持甚至提升文本任务性能的基础上，显著增强多模态理解能力。

ERNIE 4.5 是百度研发的一系列大规模基础模型，一共包含10种变体（6个文本模型、4个多模态模型）的模型家族，核心特点如下：

3.1.1 模型架构 - 模态专属专家分离：

  • ①. 包含混合专家模型（MoE）和密集模型（Dense），旗舰模型最大模型总参数量达424B（激活active参数47B），最小密集模型0.3B。

  • ②. 支持异构模态结构(heterogeneous modality structure)，支持跨模态参数共享，同时保留各模态专用参数。

在这里插入图片描述
和标准的多模态大模型一样，整体分为三个模块，主要技术点总结：

  • ①. 视觉编码器（Vision Encoder）：采用配备自适应分辨率和2D旋转位置嵌入(2D-RoPE)的ViT，自适应分辨率ViT，结合2D旋转位置嵌入（RoPE）和动态帧采样技术。

  • ②. 适配器（Adapter）: 对齐多模态特征空间，通过空间-时间压缩减少序列长度。空间和时间压缩，多模态位置嵌入，在视觉语言模型中使用3D-RoPE，分别编码时间、宽度和高度位置。

  • ③. 多模态异构MoE设计：支持文本、图像、视频输入，通过共享参数和模态专用专家实现跨模态理解。文本和视觉特征被路由到不同的专家集合，同时它们也通过一组共享的专家以及所有的自注意力参数，视觉专家的参数是文本专家的三分之一。

在这里插入图片描述

  • ①. 文本专家：处理纯文本特征，参数量较大（单专家参数规模为视觉专家的3倍）。
  • ②. 视觉专家：专用于图像/视频特征，参数量仅为文本专家的1/3，减少66%的计算量（适应视觉数据冗余性）。
  • ③. 共享专家：通过双压缩层将视觉表征投影到共享嵌入空间，实现模态对齐与特征融合‌，处理跨模态交互，所有模态特征均通过共享专家与自注意力层（保留跨模态语义融合能力）。

ERNIE 4.5 模型通过模块化设计实现文本与视觉组件的灵活分离，利用视觉token的冗余性，降低计算开销，该架构通过分离模态参数与共享参数，平衡计算效率与多模态联合训练效果，适用于图像、视频和文本的跨模态任务‌。

3.1.2 模态隔离路由（Modality-Isolated Routing）：

在多模态建模中，MoE路由容易出现不稳定性，尤其是将仅文本的MoE模型扩展到处理多模态输入可能导致MoE路由崩溃，从而降低文本能力，为了解决这个问题，提出了一个模态隔离的路由策略。

ERNIE 4.5中的FFN专家被分为三种类型, 不同模态特征的MoE使用率表现差异极大，因此要分开处理，避免跨模态干扰：

  • ①. 文本(红色)路由至文本专家。
  • ②. 视觉(蓝色)路由至视觉专家，视觉专家参数规模仅为文本专家的1/3，降低视觉计算冗余，提升效率。
  • ③. 共享专家(紫色)处理统一跨模态隐藏状态，关通过自注意力层整合知识。

路由机制确保文本特征仅流向文本专家，视觉特征仅流向视觉专家，避免模态干扰（下图热力图显示文本专家激活集中，视觉专家激活分散），视觉专家在训练后期引入，避免路由崩溃，同时减少计算量（视觉理解依赖已有文本知识）‌。

‌- ①. 与稠密FFN方法（Wang et al.）对比‌：采用细粒度MoE骨干，提升可扩展性‌。
‌- ②. 与全MoE路由（Liang et al.）对比‌：保留稠密注意力层以维持跨模态交互，仅限FFN层使用MoE路由‌。
‌- ③. 与专家选择门控（Lin et al.）对比‌：采用细粒度Top-K路由，兼容自回归解码并支持长上下文训练‌。

在这里插入图片描述

通过路由正交损失（Router Orthogonalization Loss） 优化专家权重正交性，提升专家专业化程度（公式1），实验证明文本任务性能提升+1.44%，路由器正交化损失通过强制路由器权重向量正交化，促进更均衡的路由分配。

在这里插入图片描述

3.1.3 计算效率优化：

  • ①. 视觉专家跳过最后一层Transformer（不影响交叉熵损失），减少冗余计算。
  • ②. 视觉Token的FFN计算量降低66%（因视觉专家中间维度缩减至1/3）。

3.1.4 优势：

  • ①. 多模态统一建模：
    • (1). 联合优化文本与视觉参数，支持百亿级参数量扩展。
    • (2). 所有参数（文本 + 视觉）联合优化，相较于部分调参方法，数据效率更高。
    • (3). 保留了密集注意力层（Dense Attention），维持跨模态交互能力。

  • ②. 路由稳定性：
    • (1). 分阶段训练策略(文本知识先于视觉学习)减少总体计算量，避免路由崩溃，同时保持性能。
    • (2). 视觉专家可在训练后期引入，避免路由机制崩溃(Routing Collapse)。

  • ③. 推理灵活性：
    • (1). 纯文本推理场景/任务：可跳过视觉专家，降低内存占用。
    • (2). 多模态推理场景任务：支持模态感知流水线拆分（Prefill-Text/Prefill-Vision/Decode-Text模块独立部署，可参考PD分离），通过动态分配各模态计算预算，减少跨设备通信开销。

纯语言模型LLM Post-Training：

在这里插入图片描述

视觉语言模型VLM Post-Training：

在这里插入图片描述

3.2 技术突破二：自适应视觉编码与对齐：

3.2.1 可变分辨率ViT编码器（Vision Encoder）：

视觉编码器使用的是目NaViT的架构，支持自适应分辨率，即调整图像高度/宽度至ViT分块尺寸的整数倍，保留原始比例，避免固定分辨率导致的形变。

  • ①. 图像：动态调整高/宽至ViT Patch尺寸的最近倍数，保留原始宽高比（避免方形扭曲）。
  • ②. 视频：自适应帧采样策略（时长>阈值时降分辨率/减帧），最大化利用序列长度。
  • ③. 位置编码：2D RoPE（图像）→ 3D RoPE（视频），独立编码时间、宽、高维度。

3.2.2 时间戳渲染（Temporal Grounding）：

在视频帧左上角叠加绝对时间戳（替代位置嵌入），显式提供时序线索（图1示例），提升长视频理解能力。

3.2.3 跨模态对齐（Adapter模块）：

  • ①. 双压缩层：空间压缩（非重叠2×2 Patch → 4×降Token）、时间压缩（序列长减半），像素重排（Pixel Shuffle）实现特征融合。
  • ②. 统一处理：静态图像视为双帧视频，确保时空建模一致性。

3.3 技术突破三：高效训练框架：

ERNIE 4.5 支持统一处理文本、图像与视频输入。以 ERNIE-4.5-VL-424B-A47B-Base 为例：

  • ①. ViT编码器：6.3 亿参数，数据并行（DP），参数复制到所有设备。
  • ②. MoE主干：总参数 4240 亿，每次激活 470 亿，混合并行（专家并行EP + 流水线并行PP + ZeRO-1数据并行）。
  • ③. 关键创新：ViT梯度通过定制反向传播机制计算（图7），避免流水线并行导致的梯度断裂

在这里插入图片描述

ERNIE 4.5提出的并行策略：

  • ①. ViT 编码器复制于所有设备，采用数据并行。
  • ②. MoE 主干采用 EP（专家并行）、PP（流水线并行）和 DP（数据并行）。
  • ③. 推理时 ViT 前向输出传递到 MoE 第一阶段。
  • ④. 自定义反向传播机制：在 MoE 主干反向传播完成后，将视觉特征的梯度分发回各 ViT 编码器。
  • ⑤. ViT 参数更新使用 All-Reduce 同步。
  • ⑥. ViT 可选重计算以节省内存。

在这里插入图片描述

分层级负载均衡策略：

ERNIE 4.5 支持变分辨率输入。由于图像/视频帧尺寸差异大，训练过程中 token 数量高度不均衡。我们提出两级负载均衡：

在这里插入图片描述

  • ①. 一级Level 1（粗粒度）：按Token数排序数据包，轮询分配至设备，将所有 packed sequences 按 token 数排序后使用 round-robin 分配，平衡总体 token 数。

  • ②. 二级Level 2（细粒度）：

  • (1). Attention 外部算子：序列并行（PSP）拼接数据包并均匀切分，采用“Packed Sequence 并行”（PSP），按序列长度均分；

  • (2). Attention 内部算子：All-to-All通信交换序列/注意力头维度，执行 All-to-All 通信交换序列长度和注意力头维度，确保正确计算后恢复 PSP。

  • ③. 结果：多模态训练吞吐性能端到端多模态训练效率提升最高达 32%。

节点内专家并行（Intra-Node EP）：

  • ①. 所有专家通信仅限节点内，避免跨节点 All-to-All。
  • ②. 使用 NCCL 实现 All-to-All。
  • ③. 优化：将 gating 概率乘法操作移入专家计算模块内部，通过这种结构上的调整，在消费完张量后，即可立即释放第二次 all-to-all 的输出张量，减少内存压力。
  • ④. 降低重计算需求，保持端到端吞吐性能。

在这里插入图片描述

FP8混合精度训练：

在这里插入图片描述

  • ①. MoE FFN层优化：
    • (1). 保留FP8输入激活（非BF16），减少内存占用。
    • (2). 算子融合（SwiGLU + 门控概率乘法 + FP8量化）。
  • ②. 通信优化：FP8精度All-to-All通信，带宽需求减半。

内存高效流水线调度：

在这里插入图片描述

  • ①. 虚拟流水线（VPP）：最后阶段立即执行反向计算并释放损失函数内存。
  • ②. 梯度释放技术：训练步结束时释放参数梯度内存，缓解BF16/FP8训练峰值压力。

3.4 技术突破四：框架级容错与扩展性：

零成本检查点（ZCC）：

在这里插入图片描述

  • ①. 训练框架侧：参数/优化器状态仅在更新时变化，异步Checkpoint与计算通信重叠。
  • ②. 集群侧：RDMA点对点传输Checkpoint，故障恢复时间<8分钟（万卡集群有效训练时间>98%）。
    动态扩展支持

四、推理性能基准测试 - 全面超越主流开源模型：

ERNIE-4.5-300B-A47B-Base在28个基准测试中的22个超越了DeepSeek-V3-671B-A37B-Base，在所有主要能力类别中均有领先的表现，相对于其他SOTA模型，在泛化能力、推理和知识密集型任务方面的显著提升。

4.1 pre-trained模型：

将 ERNIE-4.5-Base 与当前 SOTA 模型（如 DeepSeek-V3-Base 和 Qwen3-30B-A3B-Base）进行系统评估，覆盖五大核心能力：

  • ①. 通用任务：C-Eval、CMMLU、MMCU、AGIEval、MMLU、MMLU-Redux、MMLU-Pro。
  • ②. 事实知识：SimpleQA、ChineseSimpleQA。
  • ③. 推理能力：BBH、DROP、ARC、HellaSwag、PIQA、WinoGrande、CLUEWSC。
  • ④. 代码生成与理解：EvalPlus、MultiPL-E。
  • ⑤. 数学推理：GSM8K、MATH、CM17K。

在这里插入图片描述

关键结果如下：

ERNIE-4.5-300B-A47B-Base：

  • ①. 在 28 个基准中超越 DeepSeek-V3-671B-A37B-Base 的有 22 个。
  • ②. 在中文任务（CMMLU、ChineseSimpleQA）表现尤为出色。
  • ③. 得益于高质量中文语料与合成数据，在 QA 和复杂语言场景中表现强劲。

ERNIE-4.5-21B-A3B-Base：

  • ①. 参数量仅为 Qwen3-30B 的 70%，但在 BBH 和 CMATH 等数学与推理任务上超越对方。
  • ②. 体现出较高的参数效率与优异的性能-模型体积权衡。

在这里插入图片描述

在这里插入图片描述

4.2 Post-trained模型：

经过后训练的ERNIE-4.5-300B-A47B模型，在指令遵循和知识类任务方面表现出显著优势，其在IFEval、Multi-IF、SimpleQA 和 ChineseSimpleQA等基准测试中取得了业界领先的效果。轻量级模型ERNIE-4.5-21B-A3B尽管总参数量减少了约30%，但与Qwen3-30B-A3B相比，仍取得了具有竞争力的性能。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

4.2 文本模型：

文本模型主要对比的是Qwen3-30B-A3B，ERNIE-4.5-21B- A3B-Base 在包括BBH 和CMATH在内的多个数学和推理基准上效果优于 Qwen3-30B-A3B-Base。尽管ERNIE-4.5-21B- A3B-Base 更小，但模型效果突出，实现了效果和效率的平衡。

在这里插入图片描述

在这里插入图片描述

4.3 多模态模型：

在非思考模式下，ERNIE-4.5-VL在视觉感知、文档与图表理解以及视觉知识方面效果突出，在一系列基准测试中表现优异。
在思考模式下，ERNIE-4.5-VL不仅展现出比非思考模式更强的推理能力，还保留了非思考模式的强大感知能力。分别在non-thinking、thinking下的测试：

在这里插入图片描述

非思维模式（Non-Thinking Mode）：

  • ①. ERNIE-4.5-VL-424B-A47B 在 CountBench、CVBench、RealWorldQA 等感知任务中表现优异。
  • ②. 文档、图表、图像 OCR 理解能力强。
  • ③. 视频任务（含长视频）中展现出出色的时间感知与图像语义对齐。
  • ④. 在 CCBench 上展现对中文文化/视觉概念的理解优势。

在这里插入图片描述
在这里插入图片描述

思维模式（Thinking Mode）：

  • ①. 在 MathVista、MMMU、VisualPuzzle 等多模态推理任务中显著超越非思维模式。
  • ②. 推理能力来自于在 STEM 场景中的细致微调。
  • ③. 同时保留感知能力。
  • ④. 非思维模式也因联合训练得以提升基础能力。

在这里插入图片描述

在这里插入图片描述

五、百度文心大模型安装与部署环境：

由于AI大模型在环境部署上，有较强的算力硬件要求，百度文心大模型4.5系列多模态的模型，如28B、300B、A47B等多模态大模型，尤其是显卡资源，需要80G以上。但是，大多数本地环境很难支撑运行测试，我们可以选择一些一站式算力平台进行部署与测试，这里我们选择DAMODEL（丹摩智算）是专为 AI 打造的智算云，致力于提供丰富的算力资源与基础设施助力 AI 应用的开发、训练、部署。

在这里插入图片描述

5.1 云算力平台硬件环境说明：

这里为了测试的方便性，统一开通一台A800的80G单显卡算力的云实例（NVIDIA A800-SXM4-80GB GPU），以下是本文测试使用的详细服务器配置：

在这里插入图片描述

5.2 安装部署过程：

我们在这次环境部署安装中，基于PaddlePaddle 深度学习框架 和FastDeploy 推理引擎，结合 Hugging Face 镜像，完成模型本地化安装与部署。

5.2.1 升级 pip 至最新版：

“丹摩”服务器默认安装有Python环境，建议使用Python 3.9及以上的版本，并先确保pip升级为最新版本：

pip install --upgrade pip

5.2.2 安装 Hugging Face 工具：

HuggingFace 是一个开源社区，提供了统一的 AI 研发框架、工具集、可在线加载的数据集仓库和预训练模型仓库。

因为百度在HuggingFace平台上托管了ERNIE-4.5-21B-A3B-Paddle模型权重，因此需借助 huggingface_hub 工具进行模型下载，首先进行工具的安装，安装完成后，就可以使用huggingface-cli 命令来操作：

pip install huggingface_hub

在这里插入图片描述

5.2.3 设置 Hugging Face国内镜像加速并下载模型：

# 如果无法访问huggingface.co，可切换至国内镜像加速
export HF_ENDPOINT=https://hf-mirror.com

# 使用huggingface-cli命令下载ERNIE-4.5-28B-A3B模型文件到本地目录
huggingface-cli download baidu/ERNIE-4.5-VL-28B-A3B-Paddle --local-dir baidu/ERNIE-4.5-VL-28B-A3B-Paddle

在这里插入图片描述

5.2.4 安装 PaddlePaddle GPU 版本：

以 CUDA 12.6 为例，确保安装匹配的 CUDA 驱动与 Paddle（如 cu113、cu118、cu126）：

python -m pip install paddlepaddle-gpu==3.1.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/

在这里插入图片描述

5.2.5 安装 FastDeploy GPU 版本：

针对 SM80/90 架构（如 A30/A100/H100），使用如下命令安装 FastDeploy：

python -m pip install fastdeploy-gpu -i https://www.paddlepaddle.org.cn/packages/stable/fastdeploy-gpu-80_90/ --extra-index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

在这里插入图片描述

5.2.6 启动ERNIE-4.5本地模型服务：

启动OpenAI兼容API服务，完成模型下载与依赖安装后，即可通过以下命令启动模型服务：

python -m fastdeploy.entrypoints.openai.api_server \
       --model baidu/ERNIE-4.5-VL-28B-A3B-Paddle \
       --port 8180 \
       --metrics-port 8181 \
       --engine-worker-queue-port 8182 \
       --max-model-len 32768 \
       --enable-mm \
       --reasoning-parser ernie-45-vl \
       --max-num-seqs 32

参数说明：

  • ①. --model：本地模型目录（需包含model_index.json）
  • ②. --port：主服务端口，提供 /v1/chat/completions 接口
  • ③. --metrics-port：Prometheus监控端口（可选）
  • ④. --max-model-len：最大上下文长度
  • ⑤. --max-num-seqs：最大同时对话序列数（并发控制）
INFO     2025-07-31 21:13:43,785 1122  engine.py[line:253] Worker processes are launched with 97.50605368614197 seconds.
INFO     2025-07-31 21:13:43,786 1122  api_server.py[line:93] Launching metrics service at http://0.0.0.0:8181/metrics
INFO     2025-07-31 21:13:43,786 1122  api_server.py[line:96] Launching chat completion service at http://0.0.0.0:8180/v1/chat/completions
INFO     2025-07-31 21:13:43,786 1122  api_server.py[line:99] Launching completion service at http://0.0.0.0:8180/v1/completions
INFO:     Started server process [1122]
INFO:     Waiting for application startup.
[2025-07-31 21:14:00,124] [    INFO] - loading configuration file baidu/ERNIE-4.5-VL-28B-A3B-Paddle/preprocessor_config.json
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8180 (Press CTRL+C to quit)

在这里插入图片描述

六、模型测试：

在这里插入图片描述

在这里插入图片描述

总结：

通过上面对“百度文心一言ERNIE 4.5开源大模型”深入的评测与技术解析，可以清晰地看到该模型在架构设计、推理性能、数据处理策略、二次开发便利性和特色功能等方面的全面优势，推动了整个AI技术行业的开放协作与生态共建。

从ERNIE 4.5产品与生态角度来看，百度ERNIE 4.5开源决策对整个AI生态产生了深远影响，通过开放涵盖47B、3B激活参数的混合专家模型等10款模型，为全球AI创新注入强劲动力。‌

在这里插入图片描述

同时，ERNIE 4.5的高性能与易用性显著降低了中小企业进入AI领域的门槛，加速了AI技术的产业化落地。同时，全面开源有利于更多的开发者与研究者的参与到推广，也兼具了开源社区和产业实际落地所需的高实用性和扩展性。

在企业私有库领域，ERNIE 4.5创新的“思考模式”进一步增强了模型在复杂逻辑推理任务中的表现，为Dify类似的‌开源的大语言模型（LLM）应用开发平台‌进行赋能，创造更多、更全、更理想的Agent智能体。

一起来轻松玩转文心大模型吧一文心大模型免费下载地址：https://ai.gitcode.com/paddlepaddle/ERNIE-4.5-VL-424B-A47B-Paddle

# 百度
Logo
GitCode 开源社区

旨在为数千万中国开发者提供一个无缝且高效的云端环境，以支持学习、使用和贡献开源项目。

更多推荐

沁言学术 vs Grammarly：中文学术写作与语料库本地化支持的表现剖析

Grammarly是全球写作工具，语料库以英文为主，支持基本中文检查；沁言学术是本土AI平台，语料库深度本地化，针对中文学术设计。中文学术写作：Grammarly基础语法/拼写（本地化弱），沁言学术AI生成/优化（深度支持）。语料库本地化：Grammarly通用库（英文主导），沁言学术本土库（CNKI等集成）。整体：Grammarly免费版通用，付费版高级；沁言学术免费版入门，AI付费优化。表现亮

avatar GitCode 开源社区
cover

科大讯飞星火化学大模型与文生音效模型首发登陆 GitCode

avatar GitCode 开源社区
cover

腾讯混元 3D 系列两大模型正式于 GitCode 开源：首个原生3D部件生成+多条件控制模型免费开放

avatar GitCode 开源社区