பார்வை சார்ந்த அளவுகோல்களில் GPT-5 மற்றும் Gemini-ஐ விஞ்சுவதாகக் கூறப்படும் திறந்த மூல பல்மாதிரி AI-ஐ Baidu அறிமுகப்படுத்துகிறது

பல்மாதிரி AI துறையில் புதிய திறந்த மூலப் போட்டியாளர்

படங்கள், காணொளி, ஆவணங்கள் மற்றும் உரையைச் செயலாக்கும் 28 பில்லியன் அளவுருக்களைக் கொண்ட ERNIE 4.5 VL 28B A3B Thinking என்ற புதிய பல்மாதிரி மாதிரியை Baidu திறந்த மூலமாக வெளியிட்டுள்ளது. குறைந்த வளங்களைப் பயன்படுத்தியபடியே, பார்வை சார்ந்த சோதனைகளில் முன்னணி மூடிய மாதிரிகளைவிட இது சிறப்பாகச் செயல்படுவதாக நிறுவனம் கூறுகிறது. கட்டுப்பாடற்ற வணிகப் பயன்பாட்டுக்கு Apache 2.0 உரிமத்தின் கீழ் இது வெளியிடப்பட்டுள்ளது. சுயாதீனச் சோதனைகளிலும் இந்தக் கூற்று உறுதிப்படுத்தப்பட்டால், எளிதில் கிடைக்கும் வன்பொருளில் இயங்கும் நிறுவனங்களுக்கான காட்சிப் பகுத்தறிவு மாதிரிகளின் முக்கிய வழங்குநராக Baidu உருவெடுக்க இது வழிவகுக்கும்.

ERNIE 4.5 VL 28B A3B Thinking, Mixture of Experts வடிவமைப்பைப் பயன்படுத்தி ஒவ்வொரு உள்ளீட்டையும் மிகவும் பொருத்தமான நிபுணர் வலையமைப்புகளுக்கு அனுப்புகிறது. இதனால், ஒவ்வொரு டோக்கனுக்கும் மொத்த அளவுருக்களில் சிறிய பகுதியான சுமார் 3 பில்லியன் அளவுருக்களை மட்டுமே செயல்படுத்துகிறது. இதன் மூலம், மிகப் பெரிய மாதிரியின் திறனைத் தக்கவைத்துக்கொண்டே கணிப்புச் சுமையும் நினைவகப் பயன்பாடும் குறைகின்றன. ஆவணங்களைப் புரிந்துகொள்வது, விளக்கப்படங்களைப் பொருள்கொள்வது, சிக்கலான காட்சிப் பகுத்தறிவு ஆகியவற்றில் வலுவான முடிவுகளை வழங்கியபடி, ஒரே 80 GB GPU-இல் இந்த மாதிரி கணிப்புகளை இயக்க முடியும் என Baidu கூறுகிறது.

Baidu கூறும் “படங்களுடன் சிந்தித்தல்” (Thinking with Images) என்பதே இதன் முக்கிய அம்சம். பகுத்தறியும் போதே, ஒரு படத்தைப் பெரிதாக்கவும் சிறிதாக்கவும், தடயங்களுக்காகச் சிறிய பகுதிகளை ஆராயவும், அந்த உள்ளூர் கண்டுபிடிப்புகளை ஒட்டுமொத்தக் காட்சியுடன் இணைக்கவும் இந்த மாதிரியால் முடியும். காட்சிப் பிரச்சினைகளை மக்கள் தீர்க்கும் முறையை இது ஒத்திருக்கிறது. அடர்த்தியான தொழில்நுட்ப வரைபடங்களைப் படிப்பது, உற்பத்தி வரிசையில் குறைகளைக் கண்டறிவது, அல்லது “இரண்டாவது போல்ட்டின் கீழே உள்ள நீல இணைப்பி” போன்ற குறிப்புகளைச் சரியாகக் கண்டுபிடிப்பது ஆகிய பணிகளுக்கு இது உதவுகிறது.

மேம்பட்ட காட்சித் தொடர்புபடுத்தல், படப் பணிகளுக்கான துல்லியமான கட்டளைப் பின்பற்றல், படத் தேடலை உள்ளடக்கிய கருவிப் பயன்பாடு, காலவரிசை உணர்வுடன் கூடிய நம்பகமான காணொளிப் புரிதல் ஆகியவற்றையும் Baidu குறிப்பிடுகிறது. Transformers, vLLM, FastDeploy ஆகியவற்றுடன் செயல்படும் ஒருங்கிணைப்புக் கருவிகளையும், ERNIEKit எனப்படும் பயிற்சி மற்றும் நுணுக்கச் சரிசெய்தல் கருவித்தொகுப்பையும் இந்த மாதிரி கொண்டுள்ளது. பெரும்பாலான முன்னணி காட்சி-மொழி அமைப்புகள் இன்னும் மூடியவையாக இருக்கும் போட்டி நிறைந்த துறையில், வணிகத்துக்கு உகந்த உரிமத்துடன் புதிய திறந்த தேர்வை இந்த வெளியீடு உருவாக்குநர்களுக்கும் நிறுவனங்களுக்கும் வழங்குகிறது.

மாதிரி என்ன செய்யும் எனக் கூறப்படுகிறது

இந்த மாதிரியின் திறன்களை ஆறு பிரிவுகளாக Baidu வகைப்படுத்துகிறது: காட்சிப் பகுத்தறிவு, STEM சிக்கல்களுக்குத் தீர்வு காணுதல், காட்சித் தொடர்புபடுத்தல், கருவி ஒருங்கிணைப்பு, காணொளிப் புரிதல், மாறும் படப் பகுப்பாய்வு. நடைமுறையில், விலைப்பட்டியல்கள் அல்லது நிதிநிலை அறிக்கைகளைப் படித்துச் சுருக்குவது, விளக்கப்படங்களையும் அட்டவணைகளையும் பகுப்பாய்வு செய்வது, மின்சுற்று வரைபடங்கள் மற்றும் வடிவியல் கணக்குகளை ஆராய்வது, கேட்டால் படத்தில் குறிப்பிட்ட பொருள்கள் அல்லது பகுதிகளைக் காட்டுவது, குறிப்பு படங்களைப் பெற வெளிப்புறக் கருவிகளைப் பயன்படுத்துவது, காணொளிப் பகுதிகள் முழுவதும் நிகழ்வுகளைக் கண்காணிப்பது ஆகியவற்றை இந்த அமைப்பால் செய்ய முடியும்.

Baidu ஆவணங்களில் காட்டப்பட்டுள்ள தரவரிசைப் பட்டியல்களில், பார்வை சார்ந்த சோதனைகளின் தொகுப்பில் OpenAI GPT-5 High மற்றும் Google Gemini 2.5 Pro ஆகியவற்றின் பதிப்புகளுக்கு இணையாக அல்லது அவற்றைவிடச் சிறப்பாக இந்த மாதிரி செயல்படுவதாகக் குறிப்பிடப்பட்டுள்ளது. அந்தச் சோதனைகளில் விளக்கப்படம் சார்ந்த கேள்வி-பதில், ஆவணப் புரிதல், பல படிநிலைக் காட்சிப் பகுத்தறிவு அளவுகோல்கள் ஆகியவை அடங்கும். ஒத்த துல்லியத்தைக் கொண்ட ஒப்பிடத்தக்க மாதிரிகளுடன் ஒப்பிடுகையில், கணிப்புகளை இரண்டு முதல் மூன்று மடங்கு வேகமாகச் செய்வதாகவும் நிறுவனம் கூறுகிறது.

இந்த விளக்கப்படங்களைச் சுயாதீன ஆய்வகங்கள் இன்னும் சரிபார்க்கவில்லை. குழப்பமான உண்மையான பயன்பாடுகளில் நம்பகத்தன்மையை விட, வடிவமைப்புகளை நினைவுகூருதல், தூண்டல் உரை வடிவமைப்பு அல்லது குறுகிய உத்திகள் ஆகியவற்றுக்கு அளவுகோல் தொகுப்புகள் பல நேரங்களில் முன்னுரிமை அளிக்கின்றன. ERNIE 4.5 VL 28B A3B Thinking-ஐ மதிப்பிடும் நிறுவனங்கள், உற்பத்திப் பயன்பாட்டுக்கு ஒப்புதல் அளிப்பதற்கு முன், தங்கள் ஆவணங்கள், ஒளியமைப்பு நிலைகள், கேமரா கோணங்கள், பாதுகாப்புக் கொள்கைகள் ஆகியவற்றைப் பயன்படுத்தி இலக்குவைத்த முன்னோடிச் சோதனைகளை நடத்த விரும்பும்.

இந்த எச்சரிக்கையையும் மீறி, இது கையாளும் பணிகளின் வரம்பு விரிவானது. பகுத்தறிவு, தொடர்புபடுத்தல், கருவிப் பயன்பாடு ஆகியவற்றின் கலவை, காப்பீட்டு கோரிக்கைகளைப் படித்தல், கிடங்கு செயல்பாடுகளில் வழக்கமற்றவற்றைக் கண்டறிதல், குறிப்பு இடப்பட்ட புகைப்படங்கள் மற்றும் குறுகிய காணொளிகளைக் கொண்டு உபகரணங்களைச் சரிசெய்யத் தொழில்நுட்பப் பணியாளர்களுக்கு உதவுதல் போன்ற முகவர் பாணிப் பணிச்செயல்முறைகளுக்கு இந்த மாதிரியைப் பொருத்தமானதாக ஆக்குகிறது.

28B மாதிரி ஒரே 80 GB GPU-இல் இயங்குவது எப்படி

இதன் முக்கியத் தொழில்நுட்பம் Mixture of Experts. இதில் பல நிபுணர் துணை வலையமைப்புகள் ஒரு வழிப்படுத்தியின் பின்னால் அமைந்திருக்கும். ஒவ்வொரு டோக்கன் அல்லது படப் பகுதிக்கும், செயல்படுத்த வேண்டிய சிறிய எண்ணிக்கையிலான நிபுணர்களை வழிப்படுத்தி தேர்ந்தெடுக்கிறது. அந்த நிபுணர்கள் மட்டுமே கணக்கீடு செய்வதால், ஒவ்வொரு படியிலும் இந்த அமைப்பு சிறிய மாதிரியைப் போலச் செயல்படுகிறது. அதேவேளை, பல படிகள் மற்றும் பணிகள் முழுவதையும் பார்க்கும்போது, நிபுணர்களின் முழுத் தொகுப்பு பெரிய திறனை வழங்குகிறது. எந்த ஒரு செயல்பாட்டிலும் பெரும்பாலான அளவுருக்கள் செயலற்றிருப்பதால், இந்த அமைப்பு செயலாக்கத் திறனை மேம்படுத்துகிறது.

தேர்ந்தெடுத்த செயல்படுத்தல் நினைவகத் தேவையையும் கணிப்புச் செலவையும் குறைக்கிறது. 28 பில்லியன் அளவுருக்களைக் கொண்ட அடர்த்தியான மாதிரியைப் பயனுள்ள வேகத்தில் இயக்குவதற்கு அதிக வன்பொருள் தேவைப்படும். ஒவ்வொரு டோக்கனுக்கும் சுமார் 3 பில்லியன் அளவுருக்களைச் செயல்படுத்துவதன் மூலம், காட்சி-மொழி மாதிரியை ஒரே GPU-இல் கணிப்புகளுக்குப் பயன்படுத்த முடியும் என Baidu கூறுகிறது. இதனால் பல ஆய்வகங்கள் இதைச் சோதிக்க முடியும். ஆனால் இதற்குப் பதிலாகக் கூடுதல் சிக்கலும் ஏற்படுகிறது. வேகமான, சமநிலையான வழிப்படுத்தி; கவனமான சுமைச் சமநிலைப்படுத்தல்; சில நிபுணர்கள் மட்டுமே எல்லாப் பணிகளையும் செய்வதைத் தடுக்கும் நிலையான பயிற்சி முறைகள் ஆகியவை பொறியாளர்களுக்குத் தேவை.

படங்களுடன் சிந்தித்தலும் துல்லியமான தொடர்புபடுத்தலும்

பாரம்பரிய காட்சி-மொழி மாதிரிகள் நிலையான தீர்மானம் கொண்ட படத்தைப் பெற்று, அதற்கான உரைப் பதிலை உருவாக்குகின்றன. “படங்களுடன் சிந்தித்தல்” என்ற அம்சம் அதில் திட்டமிடல் சுழற்சியைச் சேர்க்கிறது. மாதிரி கேள்வியைப் படிகளாகப் பிரித்து, அடுத்து எங்கு பார்க்க வேண்டும் என முன்மொழிந்து, உயர் தீர்மானத்தில் ஒரு பகுதியை வெட்டி, அந்தப் பகுதிக்குள் இருக்கும் உரையைப் படிக்கிறது அல்லது வடிவியலை அளவிடுகிறது; பின்னர் தனது திட்டத்தைப் புதுப்பிக்கிறது. பதிலளிக்கப் போதுமான ஆதாரங்கள் கிடைக்கும் வரை இந்தச் சுழற்சி மீண்டும் நடைபெறுகிறது. ஒரு பொருளைக் காட்டுமாறு பணி கேட்கும்போது, சொற்களைப் பிக்சல் இடங்களுடன் பொருத்தி, பெட்டி அல்லது முகமூடியை வரைவதன் மூலம் இதே திறன் எதிர்த்திசையிலும் செயல்படுகிறது.

படங்கள் சிக்கலாகவோ தொழில்நுட்பத் தகவல் நிறைந்ததாகவோ இருக்கும்போது, துல்லியமான தொடர்புபடுத்தல் முக்கியம். உற்பத்தித் துறையில், இரண்டு பாகங்கள் பெரிதாக்கிப் பார்க்கும் வரை கிட்டத்தட்ட ஒரே மாதிரியாகத் தோன்றலாம். பொறியியல் வரைபடங்களில், குறியீட்டில் சில பிக்சல்கள் மாறினாலும் அதன் பொருள் மாறிவிடும். மருத்துவப் படங்களில், சிறிய கலைப்பொருட்களே நோயறிதலைப் பாதிக்கக்கூடும். ஒட்டுமொத்தக் காட்சியின் சூழலுக்கும் நுணுக்கமான விவரங்களுக்கும் இடையில் மாறி, எடுத்த படிகளை விளக்கக்கூடிய அமைப்பு, செயல்பாட்டாளர்களுக்கு தெளிவான தணிக்கைப் பதிவையும் தவறுகளைச் சரிசெய்யும் வழியையும் வழங்குகிறது.

அளவுகோல்களும் உண்மையான பணிச்சுமைகளும்

வழங்குநர்கள் வெளியிடும் விளக்கப்படங்கள் பல மதிப்பீடுகளின் மதிப்பெண்களைப் பெரும்பாலும் ஒன்றாகச் சேர்க்கின்றன. சில அளவுகோல்கள் தெளிவாக வெட்டப்பட்ட, தரமான படங்களைப் பயன்படுத்துகின்றன. மற்றவை பயிற்சித் தொகுப்பில் ஏற்கெனவே இடம்பெற்ற கேள்விகளைப் பயன்படுத்துகின்றன. உண்மையான பயன்பாடுகளில் ஒளிப்பிரதிபலிப்பு, இயக்கத்தால் ஏற்படும் மங்கல், வழக்கமற்ற எழுத்துருக்கள், மறைப்பு, பலமொழி லேபிள்கள் போன்றவை இருக்கும். பயிற்சித் தரவின் வரம்புக்கு வெளியே உள்ளீடுகள் இருக்கும்போது செயல்திறன் மாறக்கூடும். எனவே, தேர்ந்தெடுக்கப்பட்ட சோதனைகளில் GPT-5 அல்லது Gemini-ஐ விஞ்சுவதாகக் கூறப்படும் முக்கியக் கூற்றை முடிவாக அல்ல, தொடக்கப்புள்ளியாகக் கருத வேண்டும்.

பணி சார்ந்த மதிப்பீடே நம்பகமான அணுகுமுறை. ஆவணங்களுக்காக, குழுக்கள் பிரதிநிதித்துவமான சில நூறு கோப்புகளைச் சேகரித்து, மனிதர்களால் தணிக்கை செய்யப்பட்ட விடைக்குறிப்புடன் ஒப்பிட்டு, குறிப்பிட்ட புலங்களைத் துல்லியமாக எடுக்கும் திறனை அளவிடலாம். காட்சிப் பணிகளுக்கு, உற்பத்திச் சூழல்களை உருவகப்படுத்தி, பெட்டிகள் அல்லது முகமூடிகளில் துல்லியத்தையும் மீட்டெடுப்பையும் கண்காணிக்கலாம். விளக்கப்படங்களுக்கு, மடக்கை அளவுகோல்கள் அல்லது அடுக்கப்பட்ட தொடர்கள் போன்ற சிக்கலான விளிம்புநிலைகளை உள்ளடக்கிய செயற்கை விளக்கப்படங்களை உருவாக்கலாம். இதன் மூலம், மாதிரியின் நடத்தை மற்றும் அது தோல்வியடையும் முறைகள் குறித்து தெளிவான புரிதல் கிடைக்கும்.

பயிற்சி முறை மற்றும் உருவாக்குநர் கருவித்தொகுப்பு

ERNIE 4.5 மாதிரிகளின் பயிற்சியில் பாரம்பரிய மேற்பார்வைக் கற்றலும் பல்மாதிரி பணிகளுக்கான வலுவூட்டல் கற்றலும் கலக்கப்படுகின்றன. MoE-க்குப் பயிற்சி அளிக்கும்போது வழிப்படுத்தியை நிலைப்படுத்தவும் வெகுமதி வடிவமைப்பை மேம்படுத்தவும் GSPO மற்றும் IcePop எனப்படும் உத்திகள் பயன்படுத்தப்படுவதாக ஆவணங்கள் குறிப்பிடுகின்றன. மாதிரி மேம்படும்போது கடினமான எடுத்துக்காட்டுகள் அதற்குக் கிடைக்கும்படி, மாறும் கடினநிலை மாதிரித் தேர்வும் இணைக்கப்படுகிறது. இதன் விளைவாக, ஒரே தடவையில் ஊகிப்பதற்குப் பதிலாக, படங்கள், விளக்கப்படங்கள், காணொளி ஆகியவற்றில் பல படிநிலைப் பகுத்தறிவைத் திட்டமிடக்கூடிய அமைப்பு உருவாகிறது.

இந்த மாதிரிக் குடும்பத்தில் உரை மட்டும் கொண்ட மற்றும் காட்சி-மொழி வகைகள் உள்ளன. மிகச் சிறிய அடர்த்தியான மாதிரிகள் முதல், மொத்த அளவுருக்கள் நூற்றுக்கணக்கான பில்லியன்களைக் கொண்ட மிகப்பெரிய MoE அமைப்புகள் வரை இதில் அடங்கும். மொழித் தரத்தைக் குறைக்காமல், உரை மற்றும் காட்சிக் கூறுகள் ஒன்றிலிருந்து ஒன்று பயனடையும் வகையில், பல்மாதிரிகளுக்கு இடையே அளவுருக்களைப் பகிரும் கட்டமைப்பு உள்ளதாக Baidu கூறுகிறது. நிறுவனத்தின் PaddlePaddle தளத்தில் பயிற்சியும் கணிப்பும் நடைபெறுகின்றன; பெரிய அளவில் வன்பொருள் பயன்பாடு அதிகமாக இருப்பதாகக் குழு தெரிவிக்கிறது.

உருவாக்குநர்களுக்காக Baidu பல கருவிகளை வழங்குகிறது. வளங்களைச் சிக்கனமாகப் பயன்படுத்தும் வகையில் பயன்பாட்டில் அமர்த்துவதற்கான நுணுக்கச் சரிசெய்தல், விருப்பத் தேர்வு மேம்படுத்தல், அளவுச் சுருக்கம் ஆகியவற்றை ERNIEKit ஆதரிக்கிறது. காட்சி-மொழி மாதிரியை Transformers, vLLM போன்ற பொதுவான கட்டமைப்புகள் வழியாகச் சேவையளிக்கலாம்; உற்பத்திச் சூழலுக்கான கணிப்புகளை FastDeploy மூலம் கையாளலாம். Apache 2.0 உரிமம் வணிகப் பயன்பாட்டுக்கான பல கட்டுப்பாடுகளை நீக்குகிறது. அதிகாரப்பூர்வ மாதிரிப் பக்கம் Hugging Face-இல் கிடைக்கிறது; குறியீடும் செய்முறைகளும் Baidu GitHub களஞ்சியத்தில் உள்ளன.

நிறுவனங்களுக்கு இதன் பொருள் என்ன

திறந்த உரிமமும் ஒரே GPU-இல் கணிப்புகளை இயக்கும் திறனும், தரவை மேகச் சேவை வழங்குநருக்கு அனுப்பாமல் தனிப்பட்ட, நிறுவன வளாகத்திலேயே இயங்கும் காட்சி AI-ஐ விரும்பும் குழுக்களுக்கு இந்த மாதிரியை ஈர்ப்புடையதாக்குகின்றன. ஆவணங்கள் அதிகம் பயன்படுத்தப்படும் துறைகள் ஒப்பந்தங்கள், விலைப்பட்டியல்கள், கோரிக்கைகள் ஆகியவற்றை நுண்ணறிவுடன் கையாளும் முறையைச் சோதிக்கலாம். உற்பத்தியாளர்கள், உற்பத்தி வரிசைப் பணியாளர்களுக்குக் காட்சி மற்றும் மொழி வழிகாட்டுதலை இணைக்கும் தரக் கண்காணிப்பு நிலையங்களை உருவாக்கலாம். சில்லறை விற்பனை மற்றும் தளவாடக் குழுக்கள் கிடங்குகளில் பொருட்களைக் கண்டுபிடிக்கவும் லேபிள்களைச் சரிபார்க்கவும் தொடர்புபடுத்தல் திறனைப் பயன்படுத்தலாம். உட்பொதிக்கப்பட்ட விளக்கப்படங்கள் அல்லது திரைப்பிடிப்புகளைப் படித்து வாடிக்கையாளர் உரையாடல்களுக்கான பதில்களை மேம்படுத்தலாம்.

செலவும் முக்கியம். ஒரே பயன்பாட்டுக்காக H100 வகை GPU-களின் கணிப்புக் குழுக்களை ஒதுக்கிவைக்கப் பல நிறுவனங்களால் முடியாது. 80 GB அட்டையில் இயங்கும் அமைப்பு, முன்னோடிச் சோதனைகள் மற்றும் தொடக்கப் பயன்பாடுகளுக்கான தடைகளைக் குறைக்கிறது. தொடர்புபடுத்தல், கருவிப் பயன்பாடு, காணொளிப் புரிதல் ஆகியவற்றின் கலவையும் முகவர் பாணிப் பணிச்செயல்முறைகளுக்கு ஏற்றது. இவற்றில், ஒரு பணியை முடிக்க மாதிரி பல படிநிலைகளில் படிக்கிறது, தேடுகிறது, கிளிக் செய்கிறது, பகுத்தறிகிறது. தனிப்பயன் API-களுக்குப் பதிலாக வழக்கமான இடைமுகங்களில் செயல்படும் கணினிப் பயன்பாட்டு முகவர்களை நோக்கிய மாற்றத்துடன் இது ஒத்துப்போகிறது.

பரந்த போட்டி: திறந்த மாதிரிகளும் மூடிய சேவைகளும்

திறந்த மாதிரிகளுக்கு பரபரப்பான ஆண்டாக இருக்கும் இவ்வேளையில் இந்த வெளியீடு வந்துள்ளது. DeepSeek, மொத்தமாக நூற்றுக்கணக்கான பில்லியன் அளவுருக்களைக் கொண்ட மிகப்பெரிய MoE மொழி மாதிரியை அறிமுகப்படுத்தியது. ஆனால் ஒவ்வொரு டோக்கனுக்கும் சில பத்துப் பில்லியன் அளவுருக்கள் மட்டுமே செயல்படுத்தப்படுகின்றன. மூடிய அமைப்புகளில் காணப்படும் பயிற்சிச் செலவின் சிறிய பகுதியிலேயே, பொதுவான அளவுகோல்களில் வலுவான மதிப்பெண்களைப் பெற்றதாக அது தெரிவித்தது. தெளிவான எண்ணியல் வெகுமதிகள் இல்லாத திறந்தநிலைப் பணிகளைக் கையாள, சிந்தனைத் தொடர் நுணுக்கச் சரிசெய்தல் மற்றும் தேடல் வழிகாட்டிய திட்டமிடல் போன்ற உத்திகளைப் பயன்படுத்தி Alibaba Marco o1 பகுத்தறிவில் கவனம் செலுத்தியது.

Baidu, Alibaba உள்ளிட்ட சீன ஆய்வகங்கள், தாராளமான உரிமங்களின் கீழ் திறன் மிக்க மாதிரிகளை அதிகமாக வெளியிடுகின்றன. திறந்த அணுகல், தனியுரிமச் சேவைகளைச் சார்ந்திருப்பதைக் குறைத்து, பிராந்திய உருவாக்குநர்கள் புதியவற்றை உருவாக்க வழி வகுக்கிறது. நம்பகத்தன்மை, கருவிகள் அல்லது ஒருங்கிணைப்புகளில் தெளிவான நன்மைகளை வழங்குவதன் மூலம் பிரீமியம் விலையை நியாயப்படுத்த வேண்டிய அழுத்தத்தையும் இது உலகளாவிய வழங்குநர்கள் மீது ஏற்படுத்துகிறது. பல துறைகளில், குறிப்பாக விளக்கப்படப் பகுப்பாய்வு மற்றும் ஆவணத் தகவல் பிரித்தெடுத்தல் போன்ற சிறப்புப் பணிகளில், திறந்த மற்றும் மூடிய மாதிரிகளின் செயல்திறன் இடைவெளி குறைந்துள்ளது.

வரம்புகளும் விடை காணப்படாத கேள்விகளும்

இதில் சில சமரசங்கள் உள்ளன. சிறந்த முடிவுகளுக்கு காட்சி-மொழி மாதிரிக்கு இன்னும் 80 GB GPU தேவைப்படுகிறது; இதனால் பல நுகர்வோர் சாதனங்களில் இதைப் பயன்படுத்த முடியாது. இதன் சூழல் சாளரம் 128K டோக்கன்களாகக் குறிப்பிடப்பட்டுள்ளது. நீண்ட PDF கோப்புகளுக்கு இது உதவினாலும், பல படங்கள், OCR உரை, கட்டளைகள் ஆகியவற்றைச் சேர்க்கும்போது அதன் வரம்பு விரைவில் எட்டப்படலாம். பெரிய அளவில் பயன்பாட்டில் அமர்த்தும்போது MoE வழிப்படுத்தல் சிக்கலை ஏற்படுத்தக்கூடும். நிபுணர்களிடையேயான சமநிலையைக் கண்காணிக்கவும், வழிப்படுத்தல் நெரிசலால் ஏற்படும் தாமதத் திடீர் உயர்வுகளைத் தடுக்கவும் பொறியாளர்கள் தேவை.

பாதுகாப்பு இன்னும் முக்கிய விவாதமாக உள்ளது. எதிர்மறை நோக்குடன் உருவாக்கப்பட்ட வடிவங்கள் அல்லது தவறான தொடர்புகளால் பட அமைப்புகளை ஏமாற்ற முடியும். படங்களை வெட்டி பெரிதாக்கிச் செயல்படும் மாதிரி, தவறான பகுதியைத் தொடர்ந்து ஆராயும் உறுதிப்படுத்தல் சார்பைத் தவிர்க்க வேண்டும். சிந்தனைப் பயன்முறையில் மாதிரி செயல்படும்போது, சிந்தனைத் தொடரின் ஒவ்வொரு படியையும் காட்டும் தெளிவான தணிக்கைப் பதிவுகளை நிறுவனங்கள் எதிர்பார்க்கும்; குறைந்தபட்சம் கருவி அழைப்புகள் மற்றும் எல்லைப் பெட்டிகளின் கட்டமைக்கப்பட்ட தடயங்களாவது தேவைப்படும். பல்மாதிரி வலுவூட்டல் கற்றலும் தொடர்புபடுத்தல் சீரமைப்பும் மாதிரியில் மேற்கொள்ளப்பட்டதாக Baidu கூறுகிறது. இருப்பினும், நம்பிக்கையை உருவாக்க மூன்றாம் தரப்பினரின் விரிவான மதிப்பீடுகள் தேவைப்படும்.

முக்கிய அம்சங்கள்

• வணிகப் பயன்பாட்டுக்கான Apache 2.0 உரிமத்துடன், திறந்த மூல பல்மாதிரி மாதிரியான ERNIE 4.5 VL 28B A3B Thinking-ஐ Baidu வெளியிட்டுள்ளது.
• சுயாதீனச் சரிபார்ப்பு நிலுவையில் உள்ள நிலையில், பார்வை சார்ந்த அளவுகோல்களில் GPT-5 High மற்றும் Gemini 2.5 Pro-ஐ விஞ்சுவதாக மாதிரி கூறுகிறது.
• கணிப்புச் சுமையையும் நினைவகத் தேவையையும் குறைக்க, 28 பில்லியனில் சுமார் 3 பில்லியன் அளவுருக்களை ஒவ்வொரு டோக்கனுக்கும் செயல்படுத்தும் Mixture of Experts வடிவமைப்பைப் பயன்படுத்துகிறது.
• ஒரே 80 GB GPU-இல் கணிப்புகளை இயக்க முடிவதால், முன்னோடிச் சோதனைகள் மற்றும் நிறுவன வளாகச் சோதனைகளுக்கான தடைகள் குறைகின்றன.
• பெரிதாக்கி ஆராயும் பணிச்செயல்முறைகளுக்கான “படங்களுடன் சிந்தித்தல்”, மேம்பட்ட காட்சித் தொடர்புபடுத்தல், காணொளிப் புரிதல் ஆகியவை முக்கிய அம்சங்கள்.
• காட்சிப் பகுத்தறிவு, STEM பணிகள், தொடர்புபடுத்தல், கருவிப் பயன்பாடு, காணொளிப் பகுப்பாய்வு, மாறும் படத் திட்டமிடல் ஆகிய ஆறு அடிப்படைத் திறன்களை இது இலக்காகக் கொண்டுள்ளது.
• MoE-ஐ நிலைப்படுத்துவதற்காக GSPO, IcePop ஆகியவற்றுடனான பல்மாதிரி வலுவூட்டல் கற்றலும் மாறும் கடினநிலை மாதிரித் தேர்வும் பயிற்சியில் இடம்பெறுகின்றன.
• உருவாக்குநர் கருவிகளில் ERNIEKit, Transformers, vLLM, FastDeploy ஆகியவற்றுடனான இணக்கத்தன்மை, பொதுவில் கிடைக்கும் மாதிரிப் பக்கம் மற்றும் குறியீட்டுக் களஞ்சியம் ஆகியவை அடங்கும்.
• ஆவணச் செயலாக்கம், உற்பத்தித் தரக் கட்டுப்பாடு, கிடங்கு செயல்பாடுகள், வாடிக்கையாளர் ஆதரவு ஆகியவை பயன்பாட்டுத் துறைகளில் அடங்கும்.
• 80 GB GPU தேவை, 128K சூழல் சாளரம், MoE வழிப்படுத்தலின் சிக்கல், உறுதித்தன்மை மற்றும் பாதுகாப்பு குறித்த விடை காணப்படாத கேள்விகள் ஆகியவை இதன் வரம்புகள்.