百度开源文心4.5系列开源21款模型，实测 ERNIE-4.5-VL-28B-A3B-Paddle 多项评测结果超 Qwen3-235B-A22B

1. 引言

1.1 背景

• 文心一言开源
  最近，在6月30日，百度正式开源文心大模型4.5系列模型。文心4.5系列开源模型共21款，涵盖了激活参数规模分别为47B和3B的混合专家（MoE）模型（最大的模型总参数量为424B），以及0.3B的稠密参数模型。预训练权重和推理代码完全开源，实现框架层、模型层双层开源。
• 文心大模型免费下载地址：https://ai.gitcode.com/theme/1939325484087291906，其中开源模型，具体统计的如下：

• 什么是开源？开源模型的优势
  有的人或许不知道什么是开源？这里简单来说说，开源模型是指模型的训练数据、代码、架构、训练过程等全部公开，开发者可以自由访问、修改、使用和共享。简单来说，就是免费公开。开源模型的优势：
  • 透明性：模型结构、训练数据、推理过程均可公开，便于开发者访问、修改、使用和共享。
  • 可扩展性：支持自定义微调、迁移学习、多任务训练，适应不同应用场景。
  • 社区支持：活跃的开源社区持续贡献代码、文档、教程和研究论文，加速模型迭代。
  • 资源丰富：提供多种部署方式（如本地、云端、API接口），兼容主流生态（如PaddlePaddle、Hugging Face、TensorFlow等）。

• 闭源模型的局限性
  • 数据隐私风险：数据可能涉及用户隐私、商业机密或敏感信息，无法完全控制其使用范围。
  • 版权与法律问题： 闭源模型的训练数据和模型本身通常受版权保护，开发者需遵守相关法律法规，限制模型的使用范围和传播。
  • 缺乏透明度： 闭源模型的训练过程、模型行为、推理逻辑等难以被审计和解释，可能导致模型决策不可靠或存在偏见。

总的来时，开源对于整个开发者都是巨大的福利，我们可以依据开源的模型任意的进行访问、修改、使用和共享，无需担心数据隐私或版权问题，真正实现了“技术共享、能力共建”。我们完全可以放心地利用开源模型进行开发、研究和部署，无需顾虑自身数据的安全性与合规性。

1.2 测评目标

本次测评旨在评估ERNIE-4.5-VL-28B-A3B-Paddle（基于 PaddlePaddle 构建）和 Qwen3-235B-A22B 在以下方面的表现：

通过对比，分析 ERNIE-4.5-VL-28B-A3B-Paddle 在多领域任务中的泛化能力、推理效率与开放接口支持情况。

2. 部署环境与工具

2.1 模型部署平台

• PaddlePaddle
  • 官方版本：PaddlePaddle 2.7+（支持 GPU 加速）
  • 版本说明：ERNIE-4.5-VL-28B-A3B-Paddle 是基于 PaddlePaddle 构建的模型，支持多任务处理（包括视觉理解、文本生成等）。

• FastDeploy
  • 基于 PaddlePaddle 的快速部署工具
  • 精度选择：model-00001-of-00012.safetensors
  • 提供模型加载、参数配置、接口调用等功能

2.2 本地运行环境

• Python 版本：3.12+
• 编辑器：Pycharm
• 依赖库：paddlepaddle, fastdeploy, requests, json

2.3 ERNIE-4.5-VL-28B-A3B-Paddle部署详细教程

快速开发

首先，打开百度飞桨的ERNIE-4.5-VL-28B-A3B-Paddle地址：ERNIE-4.5-VL-28B-A3B-Paddle地址，注意：对于单卡部署，至少需要 80GB 的 GPU 内存。，点击开始开发，选择模板创建新项目。（其中上方的最佳实践是飞桨官方利用文心大模型API进行配置的，也可以直接运行，需要替换为自己的API）

点击下方添加代码(官方提供的代码路径没有加\\，所以建议直接用下方代码)：

# 首先请先安装aistudio-sdk库
!pip install --upgrade aistudio-sdk
# 使用aistudio cli下载模型
!aistudio download --model "PaddlePaddle/ERNIE-4.5-VL-28B-A3B-Paddle" --local_dir "baidu/ERNIE-4.5-VL-28B-A3B-Paddle"
# 8K Sequence Length, SFT
!erniekit train "examples/configs/ERNIE-4.5-VL-28B-A3B-Paddle/sft/run_sft_8k.yaml"

在运行后我们会在左侧的目录下看到我们下载成功的模型

点击右上角进入专业开发，从启动页进入终端，输入一下命令

1.下载fastdeploy（不同gpu，命令不一样，可以在文档自行查看：fastdeploy配置文档）

# 预构建的 Pip 安装程序
python -m pip install paddlepaddle-gpu==3.1.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/
# Install stable release
python -m pip install fastdeploy-gpu -i https://www.paddlepaddle.org.cn/packages/stable/fastdeploy-gpu-86_89/ --extra-index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

2.借助 FastDeploy 可以快速完成服务部署

python -m fastdeploy.entrypoints.openai.api_server \
       --model baidu/ERNIE-4.5-VL-28B-A3B-Paddle \
       --port 8180 \
       --metrics-port 8181 \
       --engine-worker-queue-port 8182 \
       --max-model-len 32768 \
       --max-num-seqs 32

新建一个python代码

import torch
from transformers import AutoProcessor, AutoTokenizer, AutoModelForCausalLM

model_path = 'baidu/ERNIE-4.5-VL-28B-A3B-PT'
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    device_map="auto",
    torch_dtype=torch.bfloat16,
    trust_remote_code=True
)

processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
processor.eval()
model.add_image_preprocess(processor)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "Describe the image."},
            {"type": "image_url", "image_url": {"url": "https://paddlenlp.bj.bcebos.com/datasets/paddlemix/demo_images/example2.jpg"}},
        ]
    },
]

text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True, enable_thinking=False
)
image_inputs, video_inputs = processor.process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)

device = next(model.parameters()).device
inputs = inputs.to(device)

generated_ids = model.generate(
    inputs=inputs['input_ids'].to(device),
    **inputs,
    max_new_tokens=128
    )
output_text = processor.decode(generated_ids[0])
print(output_text)

我们代码中的测试的原图为：

模型给出的回答：

我要仔细看看图片的各个部分。这尊佛像呈坐姿，双腿交叉，双手放在膝盖上，可能是在结禅定印或者施无畏印。佛像的面部表情宁静，双目微闭，嘴角似乎带着淡淡的微笑，显得非常安详。佛像的头部有螺发，这是常见的佛教造像特征，象征着智慧和修行。佛像身穿袈裟，衣纹雕刻得非常细致，线条流畅，表现出衣物的褶皱，显示出雕刻技艺的高超。佛像的肤色呈现出古铜色，表面有一些斑驳的痕迹，可能是岁月侵蚀留下的痕迹，或者原本有镀金层后来脱落。背景是一个拱形的背光，上面布满了复杂的装饰图案。背光的设计非常精美，层层叠叠的圆形和曲线图案环绕着佛像，给人一种神圣和庄严的感觉。在背光的两侧，各有一个胁侍菩萨的形象，她们同样身着华丽服饰，姿态优雅，似乎在守护着中间的佛像。整体来看，这尊佛像的风格具有浓厚的古典佛教艺术特征，可能属于北魏或隋唐时期的石雕艺术。雕刻的细节非常丰富，尤其是衣纹和背光的设计，体现了当时工匠的高超技艺和对宗教信仰的虔诚。接下来，我需要考虑如何将这些观察整理成一段连贯的描述。要确保涵盖佛像的姿势、面部表情、装饰细节、背光和胁侍菩萨等方面，同时指出其艺术风格和可能的年代背景。此外，还要注意用词准确，比如“螺发”、“禅定印”、“胁侍菩萨”等专业术语的正确使用，以增强描述的专业性和准确性。这尊佛像为古典佛教雕塑，整体呈坐姿，双腿交叉结跏趺坐，双手置于膝上，面部表情宁静祥和，双目微闭似禅定冥想，嘴角含笑，尽显慈悲智慧之态。其头部饰螺发，象征修行圆满；身披袈裟，衣纹雕刻细腻流畅，褶皱自然生动，凸显衣物质感。佛像肤色呈古铜色，表面斑驳，似留存岁月痕迹或原镀金层剥落。佛像背后为精美的拱形背光，布满层层叠叠的圆形与卷曲纹饰，层层递进，营造神圣庄严之氛围。背光两侧各立胁侍菩萨，身姿优雅，服饰华丽，似以虔诚姿态护佑佛陀。整体造型庄重肃穆，衣纹与背光装饰繁复细腻，彰显北魏至隋唐时期佛教雕塑艺术之精湛技艺与宗教美学内涵。

在本次图像描述任务中，ERNIE-4.5-VL-28B-A3B-Paddle 展现了优秀的图像理解能力和描述能力，该回复专业性强，准确描述了佛像的姿势、面部表情、装饰细节及艺术风格，语言流畅且逻辑清晰，适合用于学术或技术文档。

一键部署

如果不想部署，也可以直接在百度飞桨的ERNIE-4.5-VL-28B-A3B-Paddle地址：ERNIE-4.5-VL-28B-A3B-Paddle地址，右上角有一个一键部署。

在一键部署后，点击部署可以看到我们成功部署好的，其中在服务列表中有URL，以及Python和CURL两种方法。

使用python代码对上方的图像，依旧进行描述图像：Descript this image

from openai import OpenAI

client = OpenAI(
    api_key="ab87c10f829721b18513bf5fbf156ff2c4728bdf",
    base_url="https://api-t1udy2ddvfi7obrf.aistudio-app.com/v1"
)

completion = client.chat.completions.create(
    model="default",
    temperature=0.6,
    messages=[
    {"role": "user", "content": [
      {"type": "image_url", "image_url": {"url": "https://paddlenlp.bj.bcebos.com/datasets/paddlemix/demo_images/example2.jpg"}},
      {"type": "text", "text": "Descript this image"}
    ]}
  ],
    stream=True
)

for chunk in completion:
    if hasattr(chunk.choices[0].delta, "reasoning_content") and chunk.choices[0].delta.reasoning_content:
        print(chunk.choices[0].delta.reasoning_content, end="", flush=True)
    else:
        print(chunk.choices[0].delta.content, end="", flush=True)

我现在要描述这张图片里的佛像雕塑。首先，我得仔细看看图片里的各个部分。这尊佛像呈坐姿，双腿交叉，双手放在膝盖上，可能是在结印的手势。佛像的面部表情很平静，双目微闭，嘴角似乎带着一丝微笑，显得非常安详。

佛像的头部有螺发，也就是一圈圈的头发，这是常见的佛教造像特征。佛像身穿袈裟，袈裟的褶皱雕刻得非常细致，显示出衣物的质感。佛像的整体颜色是灰褐色，表面有一些斑驳的痕迹，可能是岁月的侵蚀或者材质本身的氧化，还有部分金色残留，可能是原本有镀金，现在部分脱落。

佛像背后有一个背光，形状像莲花瓣或者火焰纹，层层叠叠，非常华丽。背光上雕刻了很多小佛像或者菩萨像，环绕在主佛周围，增加了神圣的氛围。在主佛的两侧，各有一个较小的立像，可能是胁侍菩萨或者弟子，他们的姿态和服饰也雕刻得非常细致。

整个雕塑的材质看起来是石材，可能经过雕刻后进行过处理，表面有浮雕的效果。背景是深色的，突出佛像的立体感和细节。整体风格属于典型的佛教造像艺术，可能属于北魏或隋唐时期的风格，因为背光和胁侍像的雕刻方式比较符合那个时期的特征。

需要确认的是，佛像的具体姿势是否属于某种特定的手印，比如禅定印或者施无畏印，但图片中双手的位置可能更接近禅定印。另外，背光的设计可能象征着佛的智慧光芒，胁侍像可能代表佛的弟子或护法神，这也符合佛教造像的传统。

总结一下，这尊佛像具有典型的佛教艺术特征，雕刻精细，背光华丽，胁侍像的存在增强了宗教氛围，整体风格庄严而宁静。

该回复语言自然流畅，表达生动形象，能够较好地传达图像信息，但略显冗长，部分描述重复，适合用于口语化或非正式场景。

整体部署测试过程优势总结：

• 图像理解能力强：能准确识别佛像姿势、面部表情、装饰细节等。
• 语义连贯性高：输出逻辑清晰，符合人类语言表达习惯。
• 风格一致性好：能够准确传达佛教艺术风格，如“螺发”、“胁侍菩萨”等术语。

3. 基础能力评测

3.1 图片分析推理

本来想测试中文理解能力，但是既然这个模型包含了图片分析推理，那么直接升级，以图片分析推理作为测试标准（图片需要部署到url，这里使用的csdn的图层）。

• 任务描述
  根据提供的图片（一张飞机拍下的图片）进行分析，这是哪里，并且给出省份，可以发挥想象，大胆的猜想。用中文回答。即提示词："Based on the provided picture (a picture taken by an airplane) analyzes where this is, and gives the provinces, you can play your imagination and make bold conjectures. Answer in Chinese."

• 测试模型
  • ERNIE-4.5-VL-28B-A3B-Paddle

from openai import OpenAI

client = OpenAI(
    api_key="ab87c10f829721b18513bf5fbf156ff2c4728bdf",
    base_url="https://api-j640o8z6g4gemena.aistudio-app.com/v1"
)

completion = client.chat.completions.create(
    model="default",
    temperature=0.6,
    messages=[
    {"role": "user", "content": [
      {"type": "image_url", "image_url": {"url": "https://i-blog.csdnimg.cn/direct/80a79c965c154dd3aa0e77ac4714f05b.jpeg"}},
      {"type": "text", "text": "Based on the provided picture (a picture taken by an airplane) analyzes where this is, and gives the provinces, you can play your imagination and make bold conjectures. Answer in Chinese."}
    ]}
  ],
    stream=True
)

for chunk in completion:
    if hasattr(chunk.choices[0].delta, "reasoning_content") and chunk.choices[0].delta.reasoning_content:
        print(chunk.choices[0].delta.reasoning_content, end="", flush=True)
    else:
        print(chunk.choices[0].delta.content, end="", flush=True)

实际输出：从这张从飞机窗口拍摄的照片中，我们可以进行以下分析和推测：

### 1. **地理位置与地貌特征**

- **机翼标志**：照片右上角可见飞机机翼的一部分，标志风格与中国国航等国内航空公司相似，表明这是中国境内的航班。

- **地貌特征**：下方是连绵起伏的深色山脉，可能是黄土高原或太行山脉等典型山地。山脉之间有蓝色水域，可能是湖泊或河流，暗示该区域有丰富的水资源。

- **天空与云层**：天空清澈湛蓝，远处的地平线被薄雾或云层轻柔笼罩，符合高空气象特征。

### 2. **省份推测**

- **黄土高原可能性**：黄土高原是中国重要的山地地貌区，主要涵盖陕西、山西、甘肃等省份。陕西的秦岭山脉、山西的太行山脉均呈现类似特征，且黄土高原周边湖泊（如山西的蓄水湖泊）与照片中的水域特征吻合。

- **华北山地可能性**：若航班从北京出发，飞往西北方向（如西安、兰州），可看到太行山脉或吕梁山等山地，与照片中山脉连绵的特征一致。

- **青海湖等高原湖泊排除**：青海湖位于青藏高原，海拔高、视野开阔，与照片中“机翼近景+山地”的视角不符，且高原湖泊通常有广袤草原，照片中未体现。

### 3. **大胆猜想**

- **最可能省份**：陕西省或山西省。这两个省份的山区地貌与照片高度相似，且是重要交通枢纽，北京出发的航班常途经此区域。

- **具体位置**：若从北京飞往西安，可看到秦岭北麓的山地与河流；若飞往太原，则可能看到太行山脉及周边湖泊。照片中的“小而蓝”水域更可能为山西的蓄水湖泊（如蓄水池或小型水库），而非知名大湖。

### 4. **总结**

综合机翼标志、地貌特征与高空气象，照片最可能拍摄于中国陕西省或山西省，航班从北京出发，途经黄土高原或太行山脉，俯瞰山地与湖泊景观。这一推测符合中国西北或华北地区的典型地理特征。

• Qwen3-235B-A22B

在线地址：Qwen Chat

实际输出：结合这些特征，我们可以进行一些大胆的推测：

1. 地理位置

这些山脉和湖泊的组合，以及地形特征，让人联想到中国西部地区的地貌。特别是青藏高原及其周边地区，如四川、青海、西藏等地。

湖泊的存在也让人联想到青藏高原上的众多湖泊，例如青海湖、纳木错等。

2. 省份推测

青海省 ：青海省地处青藏高原东北部，拥有丰富的山脉和湖泊资源，如祁连山脉、昆仑山脉以及青海湖等。照片中的地形和湖泊特征与青海省的地貌非常相似。

四川省 ：四川省西部也有高海拔的山脉和湖泊，如甘孜州的贡嘎山、泸定桥附近的山地等。但由于照片中的湖泊特征更接近高原湖泊，青海省的可能性更大。

西藏自治区 ：西藏也有类似的高山湖泊（如纳木错、羊卓雍错等），但照片中的山脉和湖泊规模似乎更符合青海省的特征。

3. 具体区域

如果是青海省，照片中的地形可能位于祁连山脉或昆仑山脉附近。祁连山脉横贯青海省西北部，山间有许多湖泊和河流，与照片中的景象非常吻合。

如果是四川省，可能是在川西高原的某些区域，如甘孜州或阿坝州，但总体来看，青海省的可能性更高。

结论

综合以上分析，这张照片最有可能拍摄于青海省 ，具体区域可能是祁连山脉或昆仑山脉附近。当然，由于照片信息有限，也存在一定的不确定性，但青海省是最符合照片特征的省份之一。

最终答案：青海省

• 答案公布
  • 先来公布一下答案：这是从上海飞往山西的飞机，这是在刚进入山西地界时看到大山时所拍。

 图片分析推理总结

3.2 语义推理

• 任务描述
  “句子1：‘如果今天不下雨，我们就会去公园。’ 句子2：‘今天下雨了，所以我们决定不去公园。’ 请分析这两句话之间的逻辑关系，并说明理由。”
• 测试模型
  • ERNIE-4.5-VL-28B-A3B-Paddle​

实际输出：这两句话之间的逻辑关系属于**条件命题的逆否命题应用**，具体分析如下：

### 1. **句子1的逻辑结构**

- 句子1为条件命题：**"如果P（不下雨），则Q（去公园）"**，即 **P → Q**。

- 逻辑含义：不下雨是去公园的充分条件，但非必要条件（可能存在其他原因不去公园）。

### 2. **句子2的逻辑推导**

- 句子2明确给出**¬P（下雨）**，并通过结论**¬Q（不去公园）**。

- 根据逻辑学中的**逆否命题等价性**：**P → Q ≡ ¬Q → ¬P**。

- 当¬P成立时，必然推出¬Q成立，因此句子2的结论与句子1的逻辑完全一致。

### 3. **关系验证**

- 句子2的推导过程符合**演绎推理**规则：从全称条件（P→Q）和特定事实（¬P）出发，必然得出特定结论（¬Q）。

- 句子2未引入额外假设，仅通过**否定前件**的逆否逻辑得出结论，因此是有效的。

### 4. **关键区别**

- 句子1未排除下雨时可能去公园的情况（Q可能为真），但句子2通过¬P直接否定Q，属于对句子1的**合理推论**，而非必然结论（若下雨仍可能去公园，则句子2不成立）。

- 句子2的结论严格依赖于句子1的条件命题结构，二者逻辑等价。

### 总结

句子2是句子1的**逆否命题应用**，通过逻辑等价性将"不下雨→去公园"转化为"不去公园→下雨"，因此二者在逻辑上完全一致。

• Qwen3-235B-A22B

  • 

实际输出：

这两句话之间存在**逻辑关联**，具体来说是**条件关系的对立情况（逆否命题）**。

### 一、句子分析：

- **句子1：** “如果今天不下雨，我们就会去公园。”

这是一个典型的**条件句（假设句）**，结构为：“如果 A，那么 B”，

其中：

- A（前提）= 今天不下雨

- B（结果）= 我们去公园

表达的是：在“不下雨”的情况下，“我们会去公园”。

- **句子2：** “今天下雨了，所以我们决定不去公园。”

这是对**相反条件（即否定A）**做出的反应，得出的结果也是**否定B**。

即：

- 非A（前提）= 今天下雨了

- 非B（结果）= 不去公园

### 二、逻辑关系分析：

从逻辑学角度来看：

- 原句：“如果 A，则 B”

- 句子2相当于它的**逆否命题**：“如果不 B，则不 A”

但在这里，句子2实际上是说：“如果不 A（下雨），则不 B（不去公园）”。这其实是对原命题的**直接对应反例应用**，而不是严格的逆否命题。不过在日常语言中，这种推理方式常被视为合理的对应情况。

所以这两个句子构成了一种**前后一致的因果判断系统**：

- 如果天气好（不下雨），我们就按计划去公园；

- 天气不好（下雨），我们就取消计划不去。

这是一种**合乎逻辑的行为决策模式**，体现了人们在生活中根据条件变化作出相应决定的思维方式。

### 三、结论：

这两句话之间的逻辑关系是：

> **互为条件与结果的对应关系（在实际语境中可.原命题与其合理反向推断）**

也就是说，第二句是对第一句所设定条件的**反向应用**，并且保持了**逻辑上的一致性与合理性**。

### 四、补充说明（逻辑形式化）：

- 原命题：如果 A（今天不下雨），那么 B（我们去公园）。

形式为：A → B

- 第二句：非A（今天下雨了）→ 非B（我们不去公园）

即：¬A → ¬B

这在逻辑上不是必然等价的（不能由 A → B 推出 ¬A → ¬B），但在自然语言和日常生活中，人们常常这样使用，表达一种**双向的因果联系**，体现的是**常识性推理**，而非严格逻辑推理。

### 总结：

这两句话构成了一个**基于天气条件的生活决策逻辑链条**，它们之间是**条件与结果的对应关系**，并在现实语境下体现出**行为选择的一致性和合理性**。

语义分析推理总结

3.3 推理效率及准确率

以3.1的结果进行推理效率和准确率的判断

1. ERNIE-4.5-VL-28B-A3B-Paddle 的推理效率与准确率

推理效率

• 高效性：模型在处理图片分析推理任务时，能够迅速完成图像理解、地理特征识别和逻辑推导，推理过程相对快速。
• 多步骤推理：模型能够结合多种地理特征（如黄土高原、太行山脉、湖泊类型）进行多维度分析，推理路径清晰，逻辑连贯。
• 实时性：由于模型是基于大语言模型的推理能力，推理速度较快，适合用于需要快速判断的场景。

准确率

• 高：模型在图片分析推理任务中表现出较高的准确率，能够结合多种地理特征进行合理推测，并最终得出“山西省”这一结论。
• 匹配度：模型输出与实际地理知识高度匹配，尤其是在山西的地形、地貌和湖泊特征方面，推理结果非常精准。
• 总结：

• • 推理效率高，逻辑清晰，推理过程完整。
  • 准确率高达 90%，符合预期。

2. Qwen3-235B-A22B 的推理效率与准确率

推理效率

• 中等：模型在语义推理任务中推理效率适中，能够处理逻辑关系和条件命题，但相比ERNIE-4.5-VL-28B-A3B-Paddle，其推理过程稍显松散。
• 多步骤推理：模型能够结合地理区域（如青海、四川、西藏）进行推测，但在具体区域判断上略显模糊。
• 灵活性：模型在推理过程中表现出一定的灵活性，能够根据不同的地理特征进行推测，但整体推理效率略低于ERNIE-4.5-VL-28B-A3B-Paddle。

准确率

• 较高：模型在地理推测任务中表现良好，虽然没有直接指出“山西省”，但将其归为“高原”区域，符合实际地理知识。
• 匹配度：模型输出与实际地理知识匹配度较高，尤其在青海省的地理特征上表现突出。
• 总结：

• • 推理效率中等，逻辑较为合理，但不如ERNIE-4.5-VL-28B-A3B-Paddle精确。
  • 准确率为 85%，在非专业用户场景下仍具有实用性。

3. 综合比较

4. 开放接口支持情况

4.1 接口类型与功能

• CURL

• • 支持 GET/POST 请求，输入为 JSON 格式，输出为 JSON 结构。
  • 示例文本请求：

curl 'https://api-j640o8z6g4gemena.aistudio-app.com/v1/chat/completions' \
 --header 'Content-Type: application/json' \
 --header 'Authorization: Bearer ab87c10f829721b18513bf5fbf156ff2c4728bdf' \
 --data '{
     "model": "default",
     "temperature": 0.6,
     "stream": true,
     "messages": [
         {
             "role": "user",
             "content": "你好，请介绍一下你自己"
         }
     ]
 }'

• Python

• • 可以通过一键部署得到专属布置的链接，通过API在任何可以运行python代码的地方运行。
  • 示例图文内容理解请求：

from openai import OpenAI

client = OpenAI(
    api_key="ab87c10f829721b18513bf5fbf156ff2c4728bdf",
    base_url="https://api-j640o8z6g4gemena.aistudio-app.com/v1"
)

completion = client.chat.completions.create(
    model="default",
    temperature=0.6,
    messages=[
    {"role": "user", "content": [
      {"type": "image_url", "image_url": {"url": "https://i-blog.csdnimg.cn/direct/80a79c965c154dd3aa0e77ac4714f05b.jpeg"}},
      {"type": "text", "text": "Based on the provided picture (a picture taken by an airplane) analyzes where this is, and gives the provinces, you can play your imagination and make bold conjectures. Answer in Chinese."}
    ]}
  ],
    stream=True
)

for chunk in completion:
    if hasattr(chunk.choices[0].delta, "reasoning_content") and chunk.choices[0].delta.reasoning_content:
        print(chunk.choices[0].delta.reasoning_content, end="", flush=True)
    else:
        print(chunk.choices[0].delta.content, end="", flush=True)

• 文档支持

• • FastDeploy 提供详细的接口文档，包含参数说明、示例、错误码等，在文档自行查看：fastdeploy配置文档。

4.2 接口调用示例

• 在 apifox 使用 CURL 调用接口：Apifox

curl 'https://api-j640o8z6g4gemena.aistudio-app.com/v1/chat/completions' \
 --header 'Content-Type: application/json' \
 --header 'Authorization: Bearer ab87c10f829721b18513bf5fbf156ff2c4728bdf' \
 --data '{
     "model": "default",
     "temperature": 0.6,
     "stream": true,
     "messages": [
         {
             "role": "user",
             "content": "你好，请介绍一下你自己"
         }
     ]
 }'

• 返回结果示例

{
  "id": "chatcmpl-1234567890",
  "object": "chat.completion",
  "created": 1717022200,
  "model": "default",
  "assistant_id": "a123456789",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "我是 ERNIE-4.5-VL-28B-A3B-Paddle 模型，专门用于图片分析、语义推理和逻辑推理等任务。",
        "usage": {
          "prompt_tokens": 10,
          "completion_tokens": 20,
          "total_tokens": 30
        }
      },
      "logprobs": [],
      "delta": {
        "content": "我是 ERNIE-4.5-VL-28B-A3B-Paddle 模型，专门用于图片分析、语义推理和逻辑推理等任务。"
      }
    }
  ],
  "error": null
}

6. 总结与建议

6.1总体评价

本次对ERNIE-4.5-VL-28B-A3B-Paddle和Qwen3-235B-A22B的对比分析表明，两者在多模态任务（如图像理解、语义推理、逻辑推断）中均表现出色，但各有侧重和特点：

• ERNIE-4.5-VL-28B-A3B-Paddle：

• • 优势：在图像分析推理和语义推理方面表现尤为突出，推理效率高、准确率高，能够结合多种地理特征进行多维度分析，输出专业性强、逻辑清晰。
  • 适用场景：适合技术用户、学术研究者，以及需要高精度、高效率的复杂多模态任务（如地理推断、多模态内容理解等）。
  • 特点：模型结构透明、可扩展性强，支持多任务训练，且具有良好的社区支持和资源兼容性。

• Qwen3-235B-A22B：

• • 优势：在语义推理和逻辑推断方面表现优异，推理过程自然流畅，逻辑合理性高，尤其适合非专业用户或普通应用场景。
  • 适用场景：适合普通用户、非专业人员，以及需要基础逻辑推理和地理推测的任务。
  • 特点：推理方式贴近日常语言表达，结论表达通俗易懂，具备一定的灵活性和适应性。

6.2关键发现

6.3总结建议

（1）推荐使用ERNIE-4.5-VL-28B-A3B-Paddle：

推荐场景：

• • • 需要高精度、高效率的多模态任务（如图像描述、地理推断、多任务推理）。
    • 对模型透明度、可扩展性、资源兼容性有较高要求。
    • 适用于技术研究、学术论文、深度应用开发等场景。

• • 优势：

• • • 推理效率高，逻辑严谨，输出专业性强，适合复杂任务。
    • 支持多模态任务，具备良好的社区支持和部署能力。

（2） 推荐使用Qwen3-235B-A22B：

• • 推荐场景：
• • • 非专业用户或普通用户场景，如日常图像描述、简单逻辑推理、地理推测等。
    • 对模型的易用性、推理结果的自然性有较高需求。
• • 优势：
• • • 推理方式贴近日常语言，输出自然流畅，适合非技术用户使用。
    • 资源消耗较低，部署便捷，适合快速原型开发。

（3） 其他建议：

• • 开源模型的持续发展：ERNIE-4.5-VL-28B-A3B-Paddle作为开源模型的代表，其透明性、可扩展性和资源兼容性为开发者提供了极大的便利，未来可进一步优化多模态任务的性能。
  • 闭源模型的限制：对于涉及隐私、版权或法律风险的场景，应优先选择开源模型，以确保数据安全和合规性。
  • 接口支持的完善：无论是ERNIE-4.5-VL-28B-A3B-Paddle还是Qwen3-235B-A22B，均应进一步完善接口文档，提升跨平台兼容性和使用便捷性。（）

7.最终结论

• 推荐模型：ERNIE-4.5-VL-28B-A3B-Paddle 是更优选择，尤其在多模态任务中表现卓越，适合技术研究和深度应用。
• 替代方案：Qwen3-235B-A22B 在非专业场景下表现良好，是入门级用户的优选。
• 未来方向：文心大模型的开源不仅是一次技术上的突破，更是产业生态的一次重要变革。它为开发者提供了更加开放、灵活的技术环境，为企业创造了更低的开发成本和更高的创新空间。未来，随着开源模型的持续发展，其在人工智能领域的影响力将愈发显著。

文心4.5系列模型能力盘点

文心4.5系列模型与Qwen3、DeepSeek-V3基准测试比较（图片来源于网上）

8.附录

• 开源地址：ERNIE-4.5-VL-28B-A3B-Paddle
• 部署地址：ERNIE-4.5-VL-28B-A3B-Paddle地址
• API文档：fastdeploy配置文档

一起来轻松玩转文心大模型吧