12 ноября на конференции Baidu World 2026 компания Baidu представила две модели ERNIE, ориентированные на приложения: модель глубокого анализа ERNIE Lightning и модель видео с микровыражениями ERNIE-Wizshot-ME, доступную на платформе Qianfan. Обе модели были запущены на платформе Baidu AI Cloud Qianfan с открытыми API для корпоративных клиентов и партнеров. Презентацию провел Цзя Лэй, руководитель отдела исследований и разработок прикладных моделей Baidu.
По данным Baidu, ERNIE Lightning изначально была разработана для поисковой системы Baidu. Поскольку поиск смещается от простого извлечения информации к предоставлению ответов, агентов и выполнению многошаговых задач, модель должна понимать сложные запросы, рассуждать и использовать инструменты, оставаясь при этом быстрой для большого числа пользователей. Baidu утверждает, что стандартный Transformer был доработан с использованием BSA (Baidu Sparse Attention) — метода разреженного внимания, основанного на сжатии KV-кэша с обратной связью. Также используется схема «циклического» взаимодействия, при которой быстрая модель обрабатывает текущие запросы, а медленная модель выступает в роли оценщика, предоставляя улучшения. Модель предлагает режимы «с мышлением» и «без мышления» и охватывает задачи кодирования, логического вывода, работы с агентами и обработки текста. Baidu заявляет, что благодаря совместной оптимизации с Kunlunxin модель обеспечивает быструю инференцию на одном сервере Kunlunxin с восемью картами и снижает стоимость инференс-движка более чем на 30%. На платформах Qianfan и OpenRouter Baidu также предлагает ERNIE-Light-DT-1.0, которая, по описанию, построена на основе открытых моделей GLM с использованием наработок из модели Lightning для поиска Baidu. Baidu не уточнила, является ли это тот же продукт.
ERNIE-Wizshot-ME нацелена на эмоциональное выражение в AI-видео. Baidu утверждает, что модель объединяет текст, зрение и речь, принимает сценарии объемом до 4000 символов и использует детальную систему описания из шести измерений и 200 подмер для преобразования эмоциональных сигналов в мимику, движения тела и изменения настроения. Функция озвучивания на уровне абзацев позволяет озвучивать весь сценарий за один проход, а не путем склейки примерно 30-секундных сегментов, что обеспечивает согласованность тона и темпа. На странице продукта Qianfan указано, что модель оживляет статичное изображение человека, заставляя его говорить, и создает видеоролики продолжительностью от 4 до 15 секунд в разрешении 1080p по прейскурантной цене 0,7 юаня в секунду. Baidu заявляет, что затраты на производство видео на 50% ниже отраслевого уровня, а быстрая версия генерирует одну минуту видео примерно за одну минуту.
Baidu не опубликовала независимые бенчмарки, количество параметров или длину контекста для обеих моделей.
Источники: Отчет Yicai · Отчет NBD · Отчет Sina Tech · Официальная документация по ценам Qianfan.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Pandaily
