Baidu, GPT-5 ve Gemini'yi geride bıraktığını öne sürdüğü açık kaynaklı ERNIE görsel modelini yayımladı

12 dakikalık okuma
Baidu, Inc. has announced two …

Daha küçük bir etkin çekirdeğe sahip 28 milyar parametreli model

Baidu; görüntüleri, videoları, belgeleri ve metinleri işleyen açık kaynaklı bir yapay zekâ modeli olan ERNIE 4.5 VL 28B A3B Thinking'i yayımladı. Şirket, 12 Kasım 2025 itibarıyla modelin belirli görsel kıyaslama testlerinde OpenAI GPT-5 High ve Google Gemini 2.5 Pro sürümleriyle eşleştiğini veya onları geride bıraktığını, çıkarım işlemlerini ise 80 GB belleğe sahip tek bir grafik işlem biriminde çalıştırabildiğini söylüyor.

İçindekiler
  1. Daha küçük bir etkin çekirdeğe sahip 28 milyar parametreli model
  2. Baidu'ya göre kıyaslama sonuçları ne gösteriyor?
  3. Seçici işlem yükü nasıl azaltıyor?
  4. Images ile Düşünme modelin baktığı yeri değiştiriyor
  5. Görsel temellendirme sözcükleri görüntüdeki konumlarla eşleştiriyor
  6. Belgeler, bilimsel problemler ve video
  7. Eğitim yöntemi ve geliştirici araçları
  8. İşletmeler tek GPU ile neleri test edebilir?
  9. Gerçek çalışma koşullarında ayrı testler neden gerekiyor?
  10. Rekabetin yoğun olduğu yapay zekâ yarışında açık bir seçenek
  11. Öne Çıkanlar

Model, eğitim sırasında öğrenilen sayısal ayarlar olan 28 milyar parametre içeriyor; ancak işlediği her belirteç için yaklaşık 3 milyarını etkinleştiriyor. Belirteç, modelin ele aldığı küçük bir bilgi birimidir. Baidu, her adımda tüm sistemi çalıştırmak yerine her girdiyi seçilmiş uzman ağlara yönlendiren Uzmanlar Karışımı mimarisini kullanıyor.

Baidu, modeli ticari kullanımda kısıtlama getirmeyen Apache 2.0 lisansı altında yayımladı. Açık lisans, görsel akıl yürütme ve görece küçük bir etkin işlem çekirdeğinin birleşimi; geliştiricilere belgeleri okuyan, şemaları yorumlayan ve videoları inceleyen sistemler oluşturmak için tamamen kapalı yapay zekâ hizmetlerine bağlı kalmadan kullanabilecekleri başka bir seçenek sunuyor.

Temel çekince, performans grafiğinin henüz bağımsız laboratuvarlarca doğrulanmamış olması. Baidu'nun kıyaslama iddiaları, modelin önde gelen rakiplerle karşılaştırmasına ilişkin şirketin kendi değerlendirmesini yansıtıyor. İşletmeler için sıradaki pratik adım, modeli uygulamalarının gerçekten karşılaştığı belgeler, görüntüler ve çalışma koşullarıyla test etmek.

Yayımlanan model altı alanı kapsıyor: görsel akıl yürütme, bilim ve matematik problemlerini çözme, görsel temellendirme, araç entegrasyonu, video anlama ve dinamik görüntü analizi. Bu alanlar bir arada, görsel kanıtları incelemek, ilgili ayrıntıları belirlemek ve birkaç adımlı akıl yürütme gerektiren soruları çözmek üzere tasarlanmış bir sistemi tanımlıyor.

Baidu'ya göre kıyaslama sonuçları ne gösteriyor?

Baidu'nun belgelerinde ERNIE 4.5 VL 28B A3B Thinking, görsel odaklı bir grup testte GPT-5 High ve Gemini 2.5 Pro ile eşleşen veya onları aşan bir model olarak sunuluyor. Testlerde grafiklerle ilgili soruları yanıtlama, belgeleri anlama ve görsel problemleri birkaç aşamalı akıl yürütmeyle çözme gibi görevler yer alıyor.

Şirket ayrıca benzer doğruluk düzeyine sahip kıyaslanabilir modellere göre iki ila üç kat daha yüksek çıkarım hızı sağladığını öne sürüyor. Çıkarım, eğitilmiş bir modelin eğitimden farklı olarak yanıt üretmek için kullanılmasıdır. Daha hızlı çıkarım, yanıt bekleme süresini kısaltabilir ve bir sistemin işleyebileceği görev sayısını artırabilir.

Reklam

Baidu'nun iddiaları, görsel iş yüklerine odaklanıyor: bir sayfadaki bilgileri okumak, şemadaki öğeler arasındaki ilişkiyi anlamak veya bir grafiği yorumlamak. Bunlar, bilgileri taranmış belgeler, fotoğraflar ve yalnızca düz metin olarak işlenemeyen başka biçimlerde gelen işletmeler için önemli görevler.

Kıyaslama sonuçları kullanılan teste bağlıdır. Bazı değerlendirmelerde özenle hazırlanmış kırpımlara sahip temiz görüntüler kullanılırken, bazılarında eğitim sırasında karşılaşılan içeriklerle örtüşen sorular yer alır. Puanlar; istem biçimlendirmesinden, örüntüleri hatırlamaktan veya belirli bir soru kümesinde özellikle iyi sonuç veren dar kapsamlı tekniklerden de etkilenebilir.

Bu nedenle modeli değerlendiren şirketlerin doğruluğu kendi görevlerinde ölçmesi gerekir. Belge çıkarma sistemi doğru alanları belirlemeli; fabrika denetim sistemi ise üretim hattındaki ışıklandırma ve kamera koşullarında doğru nesneyi tanımalıdır.

Seçici işlem yükü nasıl azaltıyor?

ERNIE'nin Uzmanlar Karışımı tasarımında, bir yönlendiricinin arkasında uzman alt ağlar bulunuyor. Yönlendirici, her belirteç veya görüntü parçası için hesaplamayı yapacak küçük bir uzman grubu seçiyor. Bu işlem sırasında model parametrelerinin çoğu devre dışı kalırken, uzmanların daha geniş bütünü farklı görevler ve işlem adımları için kapasite sağlıyor.

Toplam 28 milyar parametre içinden yaklaşık 3 milyarının etkin olması, her belirteçte model parametrelerinin kabaca yüzde 11'inin devrede olduğu anlamına geliyor. Model adındaki iki sayı arasındaki fark da bunu açıklıyor: toplam boyut öğrenilmiş ayar havuzunu, etkin boyut ise belirli bir adımda kullanılan kısmı ifade ediyor.

Baidu, seçici etkinleştirmenin hesaplama gereksinimini ve bellek kullanımını azaltarak çıkarım işlemlerinin 80 GB belleğe sahip tek bir GPU'da çalışmasını sağladığını söylüyor. Şirket bunu, her adımda daha az iş yaparken daha büyük bir modelin kapasitesinin önemli bölümünü korumanın bir yolu olarak sunuyor. Buna karşılık yoğun bir model, uzman seçmek yerine ağının tamamını kullanıyor.

Bu mimari mühendislik karmaşıklığını da artırıyor. Yönlendiricinin hızlı çalışması ve iş yükünü etkili biçimde dağıtması gerekiyor. Eğitim sırasında birkaç uzmanın iş yükünün çoğunu üstlenmesi önlenmeli; dağıtım ekipleri de gecikmelere yol açabilecek yönlendirme yoğunlaşmalarını izlemeli. Kullanılabilir işlem hacmi, bu unsurların birlikte ne kadar iyi çalıştığına bağlı.

Reklam

Images ile Düşünme modelin baktığı yeri değiştiriyor

Baidu, modelin temel özelliğini Images ile Düşünme olarak adlandırıyor. Sistem, bir görüntüye tek ve sabit bir açıdan bakıp hemen yanıt üretmek yerine nereye bakacağını planlayabiliyor, bir bölgeye yakınlaşıp ayrıntıları inceleyebiliyor ve ardından daha geniş sahneye geri dönebiliyor.

Süreç, soruyu adımlara ayırmakla başlıyor. Model incelenmeye değer bir alan belirliyor, bu alanı daha yüksek çözünürlükte kırpıyor, içindeki metni okuyor veya geometrik özellikleri inceliyor ve planını güncelliyor. Yanıt verecek kadar bilgi toplayana dek bu süreci tekrarlıyor.

Yoğun bir teknik şema bu yaklaşımın değerini gösteriyor. Sayfanın bütünü bileşenlerin birbiriyle ilişkisini gösterirken, küçük bir etiket veya simge problemi çözmek için gereken ayrıntıyı sağlayabilir. İki ölçek arasında geçiş yapmak, modelin yerel ipuçlarını genel düzenlemeyle birleştirmesine olanak tanıyor.

Baidu, yakınlaştırmanın yanı sıra uzaklaştırma özelliğinden de söz ediyor. Yakından inceleme yanıtın yalnızca bir kısmını sağladığında bu özellik önem kazanıyor. Örneğin, ikinci cıvatanın altındaki mavi konektörü bulma isteği hem küçük bir nesneyi tanımayı hem de konumunu diğer nesnelere göre anlamayı gerektiriyor.

Görsel temellendirme sözcükleri görüntüdeki konumlarla eşleştiriyor

Görsel temellendirme, bir açıklamayı görüntüdeki belirli bir nesne veya bölgeyle eşleştirmek anlamına geliyor. ERNIE'nin yetenekleri arasında sözcükleri piksel konumlarıyla eşleştirmek ve ilgili alanı bir kutu veya maske ile belirtmek bulunuyor. Maske, bir nesnenin şeklini veya alanını dikdörtgen bir kutudan daha hassas biçimde işaretliyor.

Üretim bu yaklaşımın olası kullanım alanlarından biri. İki parça, sistem küçük bir özelliği inceleyene kadar neredeyse aynı görünebilir. İlgili bölgeyi belirleyen bir denetim aracı, çalışanların olası bir kusurun nerede bulunduğunu anlamasına yardımcı olabilir; yalnızca genel bir açıklama sunmakla kalmaz.

Mühendislik çizimleri de benzer bir zorluk oluşturuyor; çünkü birkaç piksellik bir işaret, simgenin anlamını değiştirebilir. Küçük ayrıntıların tanıyı etkileyebildiği tıbbi görüntülemede de bu tür ayrıntılara dikkat etmek önem taşıyor. Bu örnekler, ince özellikleri inceleyebilme yeteneğinin zorlu görsel görevlerde neden yararlı olduğunu gösteriyor.

Genel bağlam, yakından inceleme ve izlenen adımlara ilişkin açıklamalar bir arada, operatörlere daha açık bir denetim izi ve hataları düzeltme olanağı sunabilir. Baidu ayrıca görüntü görevlerinde talimatları daha iyi izleme özelliğini öne çıkarıyor; bu, kullanıcının isteğiyle sistemin incelediği alan arasında bağlantı kurmaya yardımcı oluyor.

Reklam

Belgeler, bilimsel problemler ve video

ERNIE'nin altı yetenek alanı, nesneleri tanımanın ötesine geçen işleri kapsıyor. Model faturaları veya finansal tabloları okuyup özetleyebiliyor, grafikleri ve tabloları analiz edebiliyor, devre şemaları ve geometri problemleri üzerinde akıl yürütebiliyor. STEM görevleri; yanıtın hem görsel ayrıntılara hem de hesaplamalara bağlı olabileceği bilim, teknoloji, mühendislik ve matematik alanlarını kapsıyor.

Araç entegrasyonu, modelin bir görev üzerinde çalışırken referans görseller bulabilmesini sağlayan görsel aramayı içeriyor. Temellendirme ve akıl yürütmeyle bir araya geldiğinde bu özellik, sistemin bilgi topladığı, incelediği ve yanıta ulaşmak için birkaç adım attığı iş akışlarının önünü açıyor.

Video anlama, olayları zaman içinde izleme gereksinimini de beraberinde getiriyor. Baidu'nun tanımına göre zamansal farkındalığa sahip model, her kareyi birbiriyle ilgisiz bir görüntü gibi ele almak yerine videodaki bölümler boyunca neler olduğunu takip edebiliyor. Eylemlerin sıralaması, tek bir karedeki içerik kadar önemli olabiliyor.

Olası uygulamalar arasında sigorta başvurularını okuma, depo operasyonlarındaki olağandışı faaliyetleri işaretleme ve açıklama eklenmiş fotoğraflar ile kısa videolar üzerinden teknisyenlerin ekipman arızalarını gidermesine yardımcı olma yer alıyor. Bu örnekler çeşitli yetenekleri bir araya getiriyor: bir belgeyi veya sahneyi yorumlama, ilgili kanıtları bulma ve sonraki adım konusunda akıl yürütme.

Eğitim yöntemi ve geliştirici araçları

ERNIE 4.5 ailesi, çok modlu görevlerde gözetimli öğrenmeyi pekiştirmeli öğrenmeyle birleştiriyor. Gözetimli öğrenmede model, hedef yanıtları içeren örneklerle eğitiliyor. Pekiştirmeli öğrenmede ise eğitim hedefini karşılayan yanıtları veya eylemleri teşvik etmek için ödüller kullanılıyor. Çok modlu eğitim, metin ve görüntü gibi farklı girdi türlerini bu sürece dahil ediyor.

Belgelerde, Uzmanlar Karışımı yönlendiricisini kararlı hâle getirmek ve ödül şekillendirmeyi iyileştirmek için kullanılan stratejiler arasında GSPO ve IcePop'un adı geçiyor. Ödül şekillendirme, modeli yararlı davranışlara yönlendiren geri bildirimin tasarlanmasıdır. Dinamik zorluk örneklemesi, model geliştikçe eğitim örneklerinin zorluk düzeyini değiştirerek zaman içinde daha zor problemleri sürece dahil ediyor.

Baidu, bu eğitim yaklaşımının tek seferde tahminde bulunmak yerine resimler, grafikler ve videolar üzerinde birkaç adımlı akıl yürütmeyi desteklediğini belirtiyor. Şirket ayrıca modelin çok modlu pekiştirmeli öğrenme ve temellendirme uyumlamasından geçtiğini söylüyor. Bu eğitim, görsel kanıtlar ile yanıtlar arasındaki bağı güçlendirmeyi amaçlıyor.

Reklam

Daha geniş ERNIE 4.5 ailesinde yalnızca metinle çalışan modellerin yanı sıra görsel-dil modelleri de bulunuyor. Aile, çok küçük yoğun sistemlerden toplamda yüz milyarlarca parametre içeren Uzmanlar Karışımı modellerine uzanıyor. Baidu, mimarisinin farklı kipliklerdeki parametreleri ortak kullandığını; böylece dil kalitesini korurken metin ve görsel bileşenlerin birbirinden yararlanabildiğini söylüyor.

Eğitim ve çıkarım işlemlerinde Baidu'nun PaddlePaddle platformu kullanılıyor. Ekip, büyük ölçekte yüksek donanım kullanım oranı bildirdi; bu, bilgi işlem ekipmanının zamanının büyük bölümünü yararlı işlemler yaparak geçirmesi anlamına geliyor.

Geliştiriciler, tercih optimizasyonu ve nicemleme dahil olmak üzere eğitim ve ince ayar için ERNIEKit'i kullanabiliyor. İnce ayar, modeli bir göreve uyarlıyor; tercih optimizasyonu, modeli tercih edilen yanıtları üretmeye yöneltiyor; nicemleme ise daha az kaynakla dağıtımı desteklemek için sayısal ayarları daha kompakt biçimde ifade ediyor.

Model; Transformers, vLLM ve FastDeploy için entegrasyon kitleriyle de sunuluyor. Transformers ve vLLM, geliştiricilerin modellerle çalışması ve onları hizmete sunması için tanıdık seçenekler sağlarken FastDeploy, üretim ortamında çıkarımı destekliyor. Baidu, Hugging Face üzerinde bir resmî model sayfası ve Baidu kod deposunda kodlar ile tarifler sunuyor.

İşletmeler tek GPU ile neleri test edebilir?

Açık lisans ve tek GPU'da çıkarım olanağı, ERNIE'yi görsel yapay zekâyı kendi bünyesinde çalıştırmak isteyen kuruluşlar için cazip kılıyor. Bu tür dağıtımlar, ekiplerin belgeleri ve görüntüleri bir bulut hizmeti sağlayıcısına göndermeden işlemesine olanak tanıyor. Bu, güvenlik politikalarının bilgilerin nerede işlenebileceğini kısıtladığı durumlarda önemli bir nokta.

Belge yoğun sektörlerde çalışan işletmeler, sözleşme, fatura ve sigorta başvurularını sisteme alma süreçlerini test edebilir. Üreticiler, görsel analizi çalışanlara yönelik dil tabanlı yönlendirmelerle birleştiren denetim istasyonları kurabilir. Perakende ve lojistik ekipleri depolarda ürünleri bulabilir veya etiketleri doğrulayabilir; müşteri hizmetleri ekipleri ise yanıtları iyileştirmek için grafiklerden ve ekran görüntülerinden yararlanabilir.

Donanım gereksinimi maliyet açısından önemli. Pek çok kuruluş tek bir uygulama için H100 sınıfında GPU kümeleri ayıramıyor. Modeli 80 GB belleğe sahip tek bir kartta çalıştırmak, bu donanım hâlâ kayda değer bir yatırım olsa da pilot uygulamalar ve ilk dağıtımlar için giriş engelini düşürüyor.

Reklam

Temellendirme, araç kullanımı ve video anlama özellikleri, yapay zekâ ajanlarının yürüttüğü iş akışlarına da uygun. Bu iş akışlarında model bir görevi tamamlamak için okuyor, arama yapıyor, tıklıyor ve birkaç eylem boyunca akıl yürütüyor. Bu yaklaşım, tamamen özel uygulama programlama arayüzlerine (API) dayanmaktansa standart bilgisayar arayüzlerinde çalışan ajanlara yönelişle örtüşüyor.

Yararlı bir pilot uygulama için gerçek kullanım koşullarını yansıtan girdiler gerekir. İşletmeler, üretime geçmeden önce kendi belgelerini, ışıklandırma koşullarını, kamera açılarını ve güvenlik gereksinimlerini test etmeli. Amaç, sistemin kuruluş açısından önemli malzemeleri ne kadar güvenilir biçimde işlediğini ortaya koymak.

Gerçek çalışma koşullarında ayrı testler neden gerekiyor?

Gerçek belgelerde ve görüntülerde yansımalar, hareket bulanıklığı, alışılmadık yazı tipleri, kısmen kapanmış nesneler ve birden fazla dilde etiketler bulunabilir. Modelin performansı, eğitimde kullanılanlardan farklı girdilerle karşılaştığında değişebilir. Aynı sistem, düzgün taranmış bir sayfayı iyi işlerken o sayfanın açıyla çekilmiş bir fotoğrafında zorlanabilir.

Belge işleme için ekipler, kullanımı temsil eden birkaç yüz dosyayı bir araya getirip alan çıkarma doğruluğunu insanlarca kontrol edilmiş yanıtlarla karşılaştırarak ölçebilir. Böylece yanıtın yalnızca kulağa makul gelip gelmediği değil, sistemin gereken bilgileri doğru çıkarıp çıkarmadığı test edilir.

Temellendirme görevlerinde ekipler üretim koşullarını yeniden oluşturabilir ve kutu veya maskelerin kesinliğini ve duyarlılığını ölçebilir. Kesinlik, belirlenen sonuçların ne kadarının doğru olduğunu; duyarlılık ise sistemin ilgili hedeflerin ne kadarını bulduğunu gösterir. Grafik testlerine logaritmik ölçekler veya yığılmış seriler gibi zorlayıcı durumlar içeren sentetik grafikler eklenebilir.

Güvenlik testleri, modelin ilgili kanıtlar yerine tesadüfi bir özelliğe dayandığı yanıltıcı görsel örüntüleri ve sahte korelasyonları da dikkate almalı. Kırpma ve yakınlaştırma yerini seçen bir sistemin planı tekrar tekrar yanlış bölgeye yönelirse doğrulama yanlılığı gelişebilir.

Düşünme modunu kullanan kuruluşlar, modelin adımlarına ilişkin denetim kayıtları veya en azından araç çağrılarının ve sınırlayıcı kutuların yapılandırılmış kayıtlarını bekleyecektir. Bu görevlerde güvenilirliği ve güvenliği değerlendirmek için daha kapsamlı bağımsız incelemeler gerekiyor.

Rekabetin yoğun olduğu yapay zekâ yarışında açık bir seçenek

Baidu'nun duyurusu, açık modeller açısından hareketli geçen bir yıla denk geliyor. DeepSeek, toplamda yüz milyarlarca parametre içeren, ancak her belirteçte yalnızca birkaç on milyarını etkinleştiren büyük bir Uzmanlar Karışımı dil modeli tanıttı. Şirket, kapalı sistemlerin eğitim maliyetinin çok altında bir maliyetle genel kıyaslama testlerinde güçlü sonuçlar bildirdi.

Reklam

Alibaba'nın Marco o1 modeli; düşünce zinciri ince ayarı ve aramayla yönlendirilen planlama gibi tekniklerle akıl yürütmeyi araştırdı. Bu yöntemler, iyi bir yanıtı değerlendirmenin basit bir hesaplamayı kontrol etmekten daha zor olduğu, açık uçlu ve net sayısal ödülleri bulunmayan görevlere yönelikti.

Baidu ve Alibaba'nın da aralarında bulunduğu Çin laboratuvarları, yetenekli modelleri izinleri geniş lisanslarla giderek daha fazla yayımlıyor. Açık erişim, bölgedeki geliştiricilere daha fazla seçenek sunuyor ve tescilli hizmetlere bağımlılığı azaltıyor. Aynı zamanda kapalı hizmet sağlayıcıları, yüksek fiyatlarını güvenilirlik, araçlar ve entegrasyonlarla gerekçelendirme baskısıyla karşı karşıya bırakıyor.

Açık modellerle kapalı sistemler arasındaki performans farkı, özellikle grafik analizi ve belge çıkarma gibi özel görevlerde birçok alanda daraldı. ERNIE, görsel akıl yürütmeyi her işlem adımında gereken işi azaltmayı hedefleyen bir mimariyle birleştirerek bu alanlara başka bir seçenek ekliyor.

Pratik sınırlamalar sürüyor. 80 GB'lık bir GPU, birçok tüketici cihazının kapasitesini aşıyor. Listelenen bağlam penceresi, modelin aynı anda değerlendirebildiği bilgi miktarı olan 128 bin belirteç. Bu, uzun PDF dosyalarını işlerken yarar sağlayabilir; ancak görüntüler, optik karakter tanımayla çıkarılan metinler ve talimatların tümü sınırlı kapasiteden pay alıyor.

Büyük ölçekte dağıtımda uzmanlar arasındaki dengenin ve yoğunlaşan yönlendirmenin yol açtığı gecikmelerin de izlenmesi gerekiyor. Baidu'nun yayımladığı model; açık erişimi, ticari lisansı ve geniş bir görsel yetenek yelpazesini tek pakette sunuyor. Ancak belirli bir işletme için ne kadar yararlı olacağı, o işletmenin kendi iş yükünde ölçülecek doğruluk, hız ve güvenilirliğe bağlı.

Öne Çıkanlar

  • Baidu, ERNIE 4.5 VL 28B A3B Thinking'i kısıtlamasız ticari kullanıma olanak tanıyan Apache 2.0 lisansı altında yayımladı.
  • Model; metinleri, görüntüleri, belgeleri ve videoları işliyor; her belirteçte 28 milyar parametresinin yaklaşık 3 milyarını etkinleştiriyor.
  • Baidu, belirli görsel kıyaslama testlerinde GPT-5 High ve Gemini 2.5 Pro'yu geride bıraktığını; benzer doğruluğa sahip kıyaslanabilir modellerden iki ila üç kat daha hızlı çıkarım yaptığını öne sürüyor.
  • 12 Kasım 2025 itibarıyla kıyaslama grafikleri bağımsız laboratuvarlarca doğrulanmamıştı.
  • Baidu, çıkarım işlemlerinin 80 GB belleğe sahip tek bir GPU'da çalıştırılabildiğini söylüyor; listelenen bağlam penceresi 128 bin belirteç.
  • Images ile Düşünme; yakınlaştırma, kırpma ve tekrarlı incelemenin yanı sıra temellendirme, görsel arama ve video anlama özelliklerini destekliyor.
  • Geliştirici araçları arasında ERNIEKit, Transformers, vLLM ve FastDeploy; eğitim stratejileri arasında GSPO ve IcePop bulunuyor.
  • Üretim testlerinde görev doğruluğu, çalışma koşulları, yönlendirme performansı, güvenlik ve modelin eylemlerine ilişkin kayıtlar incelenmeli.
Bu haberi paylaş

Bunlar da ilginizi çekebilir