百度近日正式推出并上线了其原生全模态大模型文心5.0，标志着人工智能领域在多模态理解与生成能力上迈出了重要一步。该模型拥有高达2.4万亿的参数规模，通过原生全模态统一建模技术，实现了对文本、图像、音频、视频等多种信息形式的全面支持，无论是输入还是输出都展现出强大的能力。
据介绍，文心5.0的技术路线与业界常见的“后期融合”方案截然不同。它采用统一的自回归架构，将多源数据如文本、图像、视频、音频等在同一模型框架内进行联合训练。这种设计使得多模态特征能够在统一架构下充分融合并协同优化，从而实现了原生的全模态统一理解与生成。该模型还采用了超大规模混合专家结构，激活参数比低于3%，在保持强大能力的同时，显著提升了推理效率。
在应用层面，文心5.0已经展现出其巨大的潜力。个人用户可以通过文心App和文心一言官网进行体验，而企业与开发者则可以利用百度千帆平台进行调用。在权威基准的综合评测中，文心5.0的语言与多模态理解能力已经超越了Gemini-2.5-Pro、GPT-5-High等国际知名模型，稳居国际第一梯队。其图像与视频生成能力也与垂直领域专精模型相当，整体处于全球领先水平。
百度应用模型研发部负责人贾磊在分享中强调，应用模型的价值在于其在实际场景中的应用效果。他介绍了百度基于文心基础大模型构建的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，包括文心Lite模型、视频大模型和语音大模型；而专精模型则面向行业应用和垂直场景，如搜索闪电专精模型、电商蒸汽机模型等。
贾磊还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以及实时交互数字人技术。这些技术不仅提升了语音合成的自然度和表现力，还使得直播带货和数字人交互等场景更加生动和高效。例如，基于声音Token的端到端合成大模型通过离散表示定义token，以MoE大语言模型建模韵律，实现了高质量的语音合成。而5分钟超越真人的直播技术则通过少量采样和脸谱化妆技术，使合成语音具备直播带货所需的情绪、节奏与感染力。
在推动大模型落地产业方面，百度千帆平台发挥了重要作用。该平台产品负责人张婷介绍，千帆专为行业落地打造的Agent Infra提供了包括文心5.0及全场景150+SOAT模型服务在内的丰富资源。平台还集成了众多工具及MCP和Agent工具链，并结合数据管理和企业级服务，为企业提供全周期、稳定支持多场景业务的运行环境。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。
随着全球AI行业的快速发展，如何将AI技术应用于真实世界与行业，从而进一步产生价值，成为行业探索的重要方向。百度作为国内最早发布大模型的企业之一，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。这一生态闭环将持续探索赋能行业的AI解决方案，推动AI技术在更多领域的应用和发展。
