作者
｜Yoky
郵箱
又一家中國模型引發了矽谷大模型界的反思！這次，是百度文心X1。
知名風投機構Benchmark合夥人Bill Gurley，在社交媒體上的評論引發熱議：“美國人工智慧公司應將100%的時間用於開發和創新，而不是在華盛頓特區遊說尋求保護以躲避競爭。”
另一邊，海外使用者紛紛在平臺上求助如何獲取百度賬號，科技KOL Alvin Foo在使用數小時後評價：“百度對文心進行了重大更新…其效能令人印象深刻。在多個基準測試中均優於ChatGPT 4.5，而價格僅為其1%。”科技作家Robert Scoble則直言：“我們有一場AI價格戰！”
這一切，都源於3月16日百度同時釋出了文心大模型4.5和文心大模型X1，目前，兩款旗艦產品已提前在文心一言官網免費向用戶開放。
作為百度新一代基座大模型，文心大模型4.5的多項基準測試成績優於GPT4.5、DeepSeek-V3等，並在平均分上以79.6分高於GPT4.5的79.14。而文心X1作為百度首個深度思考模型，主打的就是極致價效比。以輸入0.002元/千tokens、輸出0.008元/千tokens的價格，僅為DeepSeek-R1價格的一半，但效能卻不相上下。
更關鍵的是，文心X1實現了從邏輯推理、熱點分析到多工具協同呼叫的突破，成為首個自主運用工具的深度思考模型。它能調用搜索、AI繪圖、程式碼執行等11種工具，模型可自主規劃行動路徑，生成可直接落地的方案。
假設一下，當深度思考模型可以呼叫足夠多的工具來實現使用者發出的指令，比如直接呼叫程式設計工具進行程式設計，或者呼叫word文件存檔知識庫，形成一系列工作流，這不就是原生Agent麼？
我們帶著這個疑問，全面測試了X1和文心4.5。
1
能呼叫工具的X1，堪比Agent？
在評測過程中，我們先是測試了X1的基礎程式設計能力，讓它幫忙設計了一個貪吃蛇小遊戲。透過思考，X1很快給出了設計思路和程式碼。
程式碼結構清晰，註釋詳盡，不僅包含了遊戲的核心邏輯，還考慮到碰撞檢測、分數計算和遊戲狀態管理等細節。不過X1體現了完全的“程式設計師直男風格”，完全不懂美化一下小蛇。（笑死）
隨後，我們又測試了X1的邏輯推理能力，向它提出了一個經典的推理謎題，這道題在我們題庫裡，幾乎問過每一個推理模型，包括DeepSeek R1、Kimi1.5、OpenAI o1，但無一例外都選擇了「abba」的答案，但真實的情況是前三題正確，最後一題的殺人動機為c，一個被迫害妄想症患者的自我保護。
看來大模型懂邏輯，但還是很難懂人性。
在這次X1的功能中，與以往推理模型最大的不同在於他可以思考後呼叫工具，完成使用者更落地的需求，結合多模態的能力，我們嘗試了幾個很實用的場景。
比如我們找到了一張房間的圖片，需要將圖片中的房間進行軟裝改造，並生成效果圖。這中間涉及到圖片理解——裝修意見——AI生圖，呼叫了三個工具完成最終的效果圖展示。
效果圖出來的時候，驚呆了！家裝設計師岌岌可危啊！不僅能自定義風格，對哪些傢俱擺放不滿意還可以進一步提需求調整，X1也能處理更加複雜的需求，比如房間擺設風水等等，無限出圖，刷到滿意為止！
經過實測，X1即便在複雜任務下，反應速度也非常快，沒有卡頓，同時X1能主動識別任務需求，精準分析問題性質和複雜度，無需使用者明確指導便能理解真實意圖。
最突出的特點是其自主工具選擇能力，模型能基於任務特點智慧選擇最優工具組合，而非簡單套用固定流程。在實際使用中，X1能在單次互動中靈活調用搜索、繪圖、程式碼執行等多種工具協同工作，打破了傳統模型的工具使用邊界。
總的來說，推理分析能達到R1的水平，同時不卡頓又能呼叫其他工具，真香了！
1
怎樣高效能，又能低成本？
那麼，X1是如何做到在保證模型效能的前提下，還能把價格打下來？
這一突破與百度多年的技術積累息息相關。透過飛槳深度學習平臺和文心大模型的聯合最佳化，文心X1實現了全鏈路極致調優，大幅降低了推理成本。
在模型壓縮層面，文心X1應用了尖端技術進行深度最佳化。透過分塊Hadamard量化技術，精確控制模型引數精度與規模的平衡；針對長序列場景，團隊特別優化了注意力機制的量化方案，在保持推理準確性的同時顯著減少了計算資源需求。這些壓縮技術使模型體積減少的同時，維持了高水平效能表現。
推理引擎是另一個關鍵突破點。百度團隊實現了低精度高效能運算元最佳化，充分利用硬體特性；創新開發的動態自適應解碼技術，同時基於神經網路編譯器的深度定製化最佳化，實現了推理加速。
最後是透過框架和晶片協同最佳化、分離式部署架構、高效資源排程實現了系統級最佳化。
當然，除了百度在AI時代的技術積累以外，也有工程化的技術創新。
據矽星人瞭解到，X1採用了遞進式強化學習訓練方法，不同於傳統的強化學習透過“試錯+獎勵”機制訓練模型，“遞進式”則強調分階段、漸進式的訓練策略，來提升模型的訓練效率。
這種方法類似人類的學習路徑——“先學走路，再學跑步”，目的是在創作、搜尋、工具呼叫、推理等更復雜的任務場提升模型的綜合應用能力。實際測試中，當要求X1分析一張包含圖表的財報圖片，並生成投資建議時，模型能自主決策先使用影像理解工具，再調用搜索獲取相關行業資料，最後透過程式碼直譯器生成資料視覺化分析，整個過程如同專業分析師的工作流程。
其次，X1突破性地將思維鏈(Chain of Thought)和行動鏈(Chain of Action)結合進行端到端訓練。
簡單地理解為，模型不是割裂地學習思考與行動，而是將兩者有機融合，形成完整的決策-執行閉環。透過這種方式，X1能根據每次行動的結果反饋，動態調整思考和行動策略。例如，在複雜的市場分析任務中，X1先透過思維鏈分析需要哪些資料，然後透過行動鏈調用搜索工具獲取最新市場資料，發現數據不足後，又主動調整策略使用更專業的資料分析工具，最終生成全面的分析報告，這種靈活性在傳統模型中難以實現。
第三，X1創新性地解決了單一獎勵指標的侷限性，構建了多元統一的獎勵系統。透過融合多種型別的獎勵機制，形成綜合獎勵訊號，全方位指導模型最佳化方向。
這一系統的最大優勢在於避免模型“偏科”，如過度追求準確性導致內容枯燥，或過度追求創意性而犧牲準確性。X1的輸出更接近人類綜合判斷，能在不同場景下自適應調整表現風格。當然，這也帶來了挑戰：需要動態調整權重（如創作場景側重創意性，程式碼生成場景側重邏輯性），依賴海量場景資料訓練。
1
模型發一贈一，文心4.5也來了
值得一提的是，除了文心X1的強大表現，百度也釋出了此前預告過的基礎大模型：文心大模型4.5。
在實測中，文心4.5展現出卓越的多模態理解能力和極低的幻覺率。例如，我們向模型傳送了一段抖音影片，關於電子產品介紹，文心4.5不僅能準確識別影片中的專業術語和關鍵資料，還能對該產品進行購買推薦。當面對含有多種資訊源（圖片、表格、文字）的混合輸入時，模型能正確識別並區分不同來源的資訊，避免了常見的資訊混淆和虛構，這得益於其強大的去幻覺能力。
透過iRAG技術提升百度系列模型的去幻覺能力和準確性，以及FlashMask動態注意力掩碼技術、多模態異構專家擴充套件技術、時空維度表徵壓縮技術、基於知識點的大規模資料構建技術和基於自反饋的Post-training技術。這些技術不僅保證了模型的精準理解和穩定輸出，更為模型後續的行業應用提供了堅實基礎。
可以讓大模型從娛樂化的環境晉升到商業環境中，比如幫助家裝設計師進行風格設計、分析影片指令碼進行模仿、電商產品圖生成等等，都變成了通用大模型的能力。
透過這些深度技術創新，百度不僅打造出了高效能、低成本的文心X1，更重要的是探索出了一條獨特的大模型發展路徑，在追求技術極致的同時兼顧實用性和經濟性。
這種平衡發展的理念，既滿足了企業對AI效能的高要求，又解決了應用成本問題，使AI真正能夠為各行各業創造實際的價值。