百度文心多模态思考模型 ERNIE-4.5-VL-28B-A3B-Thinking 宣布正式开源，仅 3B 激活参数。

根据介绍，ERNIE-4.5-VL-28B-A3B-Thinking是在ERNIE-4.5-VL-28B-A3B基础上训练的深度思考模型，在视觉语言多模态理解能力上实现了显著提升。模型具备领先的文档与图表理解能力，在理科与文科综合推理、通用视觉推理等任务中表现优异，展现出更强的跨模态推理与问题解决能力。同时，结合空间定位与工具调用，该模型推出“图像思考”等创新功能，为多模态思维与交互应用带来更丰富的可能。

在中期训练（Mid-Training）阶段，模型引入了海量高质量视觉-语言数据，显著增强了模型的表征能力与跨模态语义对齐能力，从而显著提升了视觉文本推理性能。

同时，ERNIE-4.5-VL-28B-A3B-Thinking在可验证的任务上采用大规模多模态强化学习，它利用GSPO和IcePop策略来稳定基于MoE的RL训练，结合了动态难度采样机制，提升强化学习的有效率。

ERNIE-4.5-VL-28B-A3B-Thinking 还进一步强化了模型的定位能力，提升了模型的指令遵循性。当用户需要时，可更便捷地触发视觉定位功能。以及引入了“图像思考”创新能力，让模型兼备图片放大和图片搜索等工具调用能力。