让我们来具体感受一下，百度智能体的思考过程。

在文心大模型4.0工具版上，我们可以这样提问——

「我要到大湾区出差一周。想了解一下天气变化，好决定带什么衣服。请帮我查一下未来一周北京和深圳的温度，告诉我出差应该带什么衣服，并整理成表格。」

接下来，它就会展示真正的技术了。

首先，它会调用一个「高级联网」工具，来查询当地的天气信息。

此外，王海峰在现场还分享了「多模型」技术。

如今，我们为什么需要多模型？

在推进大模型应用落地的过程中，开发者、企业不仅需要关注成本，还需要顾及效果和效率。

因此，在实际应用中，就需要从落地场景出发，去选择最适合自己的模型。

一方面，高效低成本的模型生产亟待解决。

对此，百度研制了大小模型协同的训练机制，可以有效进行知识继承，高效生产高质量小模型。

小模型不仅推理成本低，响应速度快。而且在一些特定场景中，经过微调后的小模型，效果可以媲美大模型。

它也可以利用小模型实现对比增强，帮助大模型完成训练。

与此同时，百度还建设了种子模型矩阵，数据提质与增强机制，以及一系列配套工具链，从预训练、精调对齐、模型压缩到推理部署。

这样一来，高效低成本的模型生产机制，可以加速应用，降低部署成本，取得更优的效果。

我们最常见的MoE便是「多模型」技术的典型代表。

可以看到，不论是GPT-4（据猜测），还是开源Grok、Mistral都采用了MoE架构。

它们都在基准测试中，取得了优异的表现。

百度认为，未来大型的AI原生应用基本都是MoE架构。通过大小模型的混用，而非单一模型去解决问题。

因此，针对场景匹配，什么时候调用大模型，什么时候调用小模型，都需要技术考量。

另一方面，是多模型推理。

百度研制了基于反馈学习的端到端多模型推理技术，构建了智能路由模型，进行端到端反馈学习，充分发挥不同模型处理不同任务的能力，达到效果、效率和成本的最佳平衡。

正如Robin会上所言，通过强大的文心4.0裁剪出更小尺寸的模型，要比直接拿开源模型，微调出来的效果要好得多。

这段时间，一张开源模型与闭源模型之间的差距不断拉近的图，在全网疯转。

许多人乐观地认为，开源模型很快突破极限，取得逼近GPT-4，甚至替代闭源模型的能力。

实则不然，开源模型并非拿来即用，而需要更多定制化的微调。

这也是百度发布了ERNIE Speed、Lite、Tiny三个轻量模型的原因。

通过文心大模型4.0，压缩蒸馏出一个基础模型，然后再用专门数据训练。这要比基于开源模型，甚至重训一个模型效果好得多。

文心4.0性能提升52.5%

除了上述这些之外，文心4.0的创新还包括基于模型反馈闭环的数据体系、基于自反馈增强的大模型对齐技术，以及多模态技术等等。

整个过程中，它展现出了娴熟的思考和规划能力，有条不紊地把用户需求拆解成多个子任务，一整套过程行云流水。

不仅如此，从万亿级的训练数据中，文心大模型学到的，除了自然语言能力外，还有代码能力。

代码智能体

顾名思义，这个智能体，能够帮我们写代码。

程序员和普通人的之间的壁垒，从此彻底打破，以前程序员才能做的事，现在人人都能做。

代码智能体，是由思考模型和代码解释器两个部分组成。

首先，思考模型会先理解我们的需求，经过一番思考后，把完成任务的指令和相关信息整合成提示，输入给代码解释器。

发布后的半年时间，文心4.0的性能又提升了52.5%。

文心大模型之所以能如此快速持续地进化，离不开百度在芯片、框架、模型和应用上的全栈布局，尤其是飞桨深度学习平台和文心的联合优化。文心大模型的周均训练有效率达到98.8%。

相比而言，一年前文心一言发布时，训练效率直接提升到了当时的5.1倍，推理则达到了105倍。

截至目前，飞桨文心生态已经凝聚了1295万开发者，服务了24.4万家企事业单位。基于飞桨和文心，已经有89.5万个模型被创建出来。

如今，文心一言累计的用户规模已达2亿，日均调用量也达到了2亿。

这2亿用户的工作、生活和学习，已经被文心一言改变。

文章来自微信公众号“新智元”，作者：新智元编辑部