ERNIE 5.0
Мультимодальная модель Baidu, объединяющая понимание и генерацию текста, изображений, видео и аудио в одной архитектуре.
ERNIE 5.0 — базовая мультимодальная модель Baidu, представленная 6 февраля 2026 года. Компания описывает её как систему, обученную с нуля для совместной работы с текстом, изображениями, видео и аудио, а не как языковую модель с отдельно присоединёнными декодерами.
Единая обработка и генерация
В официальной статье указаны 2,4 трлн параметров и архитектура Mixture-of-Experts, в которой на один токен активируется менее 3% параметров. Модель предназначена как для мультимодального понимания, так и для генерации; обучение включает текстовые, визуальные, видео- и аудиоданные.
Что подтверждает анонс
Baidu приводит собственные оценки на языковых, визуальных, аудио- и генеративных тестах и описывает технические методы обучения. Это результаты и характеристики, опубликованные разработчиком; по статье нельзя делать вывод о доступности всех возможностей через один общий пользовательский интерфейс или API.
Поколение ERNIE
ERNIE 5.0 продолжает открытое мультимодальное поколение ERNIE 4.5 и предшествует ERNIE 5.1, для которой у Baidu есть отдельный релиз. Сравните страницы ERNIE 4.5; ERNIE 4.5 VL Thinking; ERNIE 5.1
Разработчик и первичный источник
Другие модели компании собраны в разделе «Baidu ERNIE» в Вики Futuretools.ru.
Дата и характеристики сверены с официальным материалом разработчика.