ERNIE-4.5-0.3B

ERNIE 4.5 亮点

ERNIE 4.5 模型的先进能力，尤其是基于 MoE 的 A47B 和 A3B 系列，得益于以下几项关键技术创新：

多模态异构 MoE 预训练： 我们的模型在文本和视觉两种模态上联合训练，以更好地捕获多模态信息的细微差别，并提高文本理解与生成、图像理解和跨模态推理等任务的表现。为了实现这一目标而不让一种模态阻碍另一种模态的学习，我们设计了 异构 MoE 结构，引入了 模态隔离路由，并采用了 路由正交损失 和 多模态 Token 平衡损失。这些架构选择确保了两种模态都得到有效表示，在训练过程中实现相互增强。
规模效率化基础设施： 我们为 ERNIE 4.5 模型的有效训练提出了一种新颖的异构混合并行性和分层负载平衡策略。通过使用节点内专家并行性、内存效率化的管道调度、FP8 混合精度训练以及细粒度重计算方法，我们实现了显著的预训练吞吐量。对于推理，我们提出了 多专家并行协作 方法和 卷积代码量化 算法，以实现 4 位/2 位无损量化。此外，我们引入了 PD 解耦和动态角色切换，以有效利用资源，增强 ERNIE 4.5 MoE 模型的推理性能。基于 PaddlePaddle，ERNIE 4.5 在广泛的硬件平台上提供高性能推理。
模态特定后训练： 为了满足现实世界应用的多样化需求，我们对预训练模型的不同模态变体进行了微调。我们的 LLMs 优化用于通用目的的语言理解和生成。VLMs 专注于视觉语言理解，并支持思考和和非思考模式。每个模型在后期训练中采用了 监督微调（SFT）、直接偏好优化（DPO） 或一种名为 统一偏好优化（UPO） 的修改后强化学习方法。

模型概览

ERNIE-4.5-0.3B 是一个文本密集型后训练模型。以下是模型的配置细节：

关键字	值
模态	文本
训练阶段	后训练
参数量	0.36B
层数	18
头数（Q/KV）	16 / 2
上下文长度	131072

快速入门

使用 ERNIEKit 进行模型微调

ERNIEKit 是基于 PaddlePaddle 的训练工具包，专为 ERNIE 系列开源大型模型设计。它为指令微调（SFT、LoRA）和对齐训练（DPO）等场景提供全面支持，确保最优性能。

使用示例：

# Download Model
huggingface-cli download baidu/ERNIE-4.5-0.3B-Paddle --local-dir baidu/ERNIE-4.5-0.3B-Paddle
# SFT
erniekit train examples/configs/ERNIE-4.5-0.3B/sft/run_sft_8k.yaml
# DPO
erniekit train examples/configs/ERNIE-4.5-0.3B/dpo/run_dpo_8k.yaml

为了获取更详尽的示例，包括结合LoRA的SFT、多GPU配置以及高级脚本，请参考 ERNIEKit 仓库中的示例文件夹。

FastDeploy 推理部署

可以使用以下命令通过FastDeploy快速完成服务部署。关于更详细的用法说明，请参阅 FastDeploy 仓库。

python -m fastdeploy.entrypoints.openai.api_server \
       --model baidu/ERNIE-4.5-0.3B-Paddle \
       --port 8180 \
       --metrics-port 8181 \
       --engine-worker-queue-port 8182 \
       --max-model-len 32768 \
       --max-num-seqs 32

使用 `transformers` 库

以下是一个代码示例，展示了如何根据给定输入使用模型生成内容。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "baidu/ERNIE-4.5-0.3B-PT"

# load the tokenizer and the model
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)

# prepare the model input
prompt = "Give me a short introduction to large language model."
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], add_special_tokens=False, return_tensors="pt").to(model.device)

# conduct text completion
generated_ids = model.generate(
    model_inputs.input_ids,
    max_new_tokens=1024
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist()

# decode the generated ids
generate_text = tokenizer.decode(output_ids, skip_special_tokens=True).strip("\n")
print("generate_text:", generate_text)

vLLM 推理

vLLM目前正在适配中，可以优先使用我们分叉的代码库 vllm。我们正在与社区合作，全面支持ERNIE4.5模型，敬请期待。

vllm serve baidu/ERNIE-4.5-0.3B-PT --trust-remote-code

许可证

引用

如果您发现 ERNIE 4.5 有用或希望在您的项目中使用，敬请友好地引用我们的技术报告：

@misc{ernie2025technicalreport,
      title={ERNIE 4.5 Technical Report},
      author={Baidu ERNIE Team},
      year={2025},
      eprint={},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={}
}

ERNIE-4.5-0.3B

ERNIE 4.5 亮点

ERNIE 4.5 模型的先进能力，尤其是基于 MoE 的 A47B 和 A3B 系列，得益于以下几项关键技术创新：

多模态异构 MoE 预训练： 我们的模型在文本和视觉两种模态上联合训练，以更好地捕获多模态信息的细微差别，并提高文本理解与生成、图像理解和跨模态推理等任务的表现。为了实现这一目标而不让一种模态阻碍另一种模态的学习，我们设计了 异构 MoE 结构，引入了 模态隔离路由，并采用了 路由正交损失 和 多模态 Token 平衡损失。这些架构选择确保了两种模态都得到有效表示，在训练过程中实现相互增强。
规模效率化基础设施： 我们为 ERNIE 4.5 模型的有效训练提出了一种新颖的异构混合并行性和分层负载平衡策略。通过使用节点内专家并行性、内存效率化的管道调度、FP8 混合精度训练以及细粒度重计算方法，我们实现了显著的预训练吞吐量。对于推理，我们提出了 多专家并行协作 方法和 卷积代码量化 算法，以实现 4 位/2 位无损量化。此外，我们引入了 PD 解耦和动态角色切换，以有效利用资源，增强 ERNIE 4.5 MoE 模型的推理性能。基于 PaddlePaddle，ERNIE 4.5 在广泛的硬件平台上提供高性能推理。
模态特定后训练： 为了满足现实世界应用的多样化需求，我们对预训练模型的不同模态变体进行了微调。我们的 LLMs 优化用于通用目的的语言理解和生成。VLMs 专注于视觉语言理解，并支持思考和和非思考模式。每个模型在后期训练中采用了 监督微调（SFT）、直接偏好优化（DPO） 或一种名为 统一偏好优化（UPO） 的修改后强化学习方法。

模型概览

ERNIE-4.5-0.3B 是一个文本密集型后训练模型。以下是模型的配置细节：

关键字	值
模态	文本
训练阶段	后训练
参数量	0.36B
层数	18
头数（Q/KV）	16 / 2
上下文长度	131072

快速入门

使用 ERNIEKit 进行模型微调

使用示例：

# Download Model
huggingface-cli download baidu/ERNIE-4.5-0.3B-Paddle --local-dir baidu/ERNIE-4.5-0.3B-Paddle
# SFT
erniekit train examples/configs/ERNIE-4.5-0.3B/sft/run_sft_8k.yaml
# DPO
erniekit train examples/configs/ERNIE-4.5-0.3B/dpo/run_dpo_8k.yaml

为了获取更详尽的示例，包括结合LoRA的SFT、多GPU配置以及高级脚本，请参考 ERNIEKit 仓库中的示例文件夹。

FastDeploy 推理部署

可以使用以下命令通过FastDeploy快速完成服务部署。关于更详细的用法说明，请参阅 FastDeploy 仓库。

python -m fastdeploy.entrypoints.openai.api_server \
       --model baidu/ERNIE-4.5-0.3B-Paddle \
       --port 8180 \
       --metrics-port 8181 \
       --engine-worker-queue-port 8182 \
       --max-model-len 32768 \
       --max-num-seqs 32

使用 `transformers` 库

以下是一个代码示例，展示了如何根据给定输入使用模型生成内容。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "baidu/ERNIE-4.5-0.3B-PT"

# load the tokenizer and the model
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)

# prepare the model input
prompt = "Give me a short introduction to large language model."
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], add_special_tokens=False, return_tensors="pt").to(model.device)

# conduct text completion
generated_ids = model.generate(
    model_inputs.input_ids,
    max_new_tokens=1024
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist()

# decode the generated ids
generate_text = tokenizer.decode(output_ids, skip_special_tokens=True).strip("\n")
print("generate_text:", generate_text)

vLLM 推理

vLLM目前正在适配中，可以优先使用我们分叉的代码库 vllm。我们正在与社区合作，全面支持ERNIE4.5模型，敬请期待。

vllm serve baidu/ERNIE-4.5-0.3B-PT --trust-remote-code

许可证

引用

如果您发现 ERNIE 4.5 有用或希望在您的项目中使用，敬请友好地引用我们的技术报告：

@misc{ernie2025technicalreport,
      title={ERNIE 4.5 Technical Report},
      author={Baidu ERNIE Team},
      year={2025},
      eprint={},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={}
}

ERNIE-4.5-0.3B

ERNIE 4.5 亮点

模型概览

快速入门

使用 ERNIEKit 进行模型微调

FastDeploy 推理部署

使用 transformers 库

vLLM 推理

许可证

引用

ERNIE-4.5-0.3B

ERNIE 4.5 亮点

模型概览

快速入门

使用 ERNIEKit 进行模型微调

FastDeploy 推理部署

使用 transformers 库

vLLM 推理

许可证

引用

使用 `transformers` 库

使用 `transformers` 库