👑 Baidu выкатила ERNIE 4.5 VL. Новый король мультимодалок?

Подвиньтесь, OpenAI и Google. Baidu утверждает, что их новая флагманская MLLM (мультимодальная модель) ERNIE 4.5 VL задает новый стандарт.

Что в ней такого (по заявлениям):

- Убийца гигантов: Модель, как говорят, обходит GPT-4o, GPT-4V и Gemini 1.5 Pro на 23 (!!!) основных мультимодальных бенчмарках.

- Видит, читает, смотрит: Понимает не только текст и картинки по отдельности, но и их связки, а также видео.

- Внимательна к мелочам: Особенно сильна в "fine-grained" (мелкодетальном) распознавании. Не просто "собака", а "золотистый ретривер с красным мячиком".

- Понимает длиннопост: Заявлена поддержка "экстремально длинного" текста.

- Полиглот: Имеет сильные показатели в задачах на китайском языке.


Это пока "бумажный" SOTA. Сами веса модели (чекпоинты) на Hugging Face пока недоступны. Так что ждем, когда Baidu позволит "пощупать" этого зверя в деле.

https://huggingface.co/baidu/ERNIE-4.5-VL-28B-A3B-Thinking

👉 @bigdata_1