رونمایی بایدو از ERNIE 5.0؛ رقیب چینی GPT-5.1 با قابلیت همه‌وجهی

ERNIE 5.0؛ مدلی همه‌وجهی و انحصاری

هوش مصنوعی ERNIE 5.0 که بایدو آن را یک سیستم «ذاتاً همه‌وجهی» (omni-modal) معرفی کرده است، به عنوان یک رقیب قدرتمند برای مدل‌های مشهوری چون جمینای گوگل و سری جی‌پی‌تی شرکت OpenAI وارد بازار شده است. مدیران بایدو تأکید کرده‌اند که این نسخه جدید برخلاف مدل پیشین خود، ERNIE-4.5-VL، دیگر به صورت متن‌باز (Open-Source) ارائه نخواهد شد و به صورت انحصاری در اختیار کاربران قرار می‌گیرد.

جهش در توانایی‌های پردازشی

به گفته مهندسان بایدو، ERNIE 5.0 توانایی پردازش زبان، تحلیل داده و تولید محتوا را با جهشی قابل‌توجه افزایش داده است. این مدل می‌تواند حجم بالایی از داده‌های متنی، تصویری و ساختاریافته را بدون کاهش سرعت، پردازش کند و نسبت به نسل قبلی، پاسخ‌دهی سریع‌تر و قابلیت‌های چندرسانه‌ای دقیق‌تری ارائه می‌دهد.

دسترسی به مدل جدید هوش مصنوعی بایدو صرفاً از طریق دو پلتفرم زیر امکان‌پذیر است:

• وب‌سایت ERNIE Bot
• پلتفرم ابری Qianfan (از طریق API)

قابلیت‌های کلیدی و امنیت پیشرفته

یکی از مهم‌ترین نوآوری‌های ERNIE 5.0، قابلیتی به نام «تفکر با تصاویر» (Thinking with Images) است. این ویژگی به هوش مصنوعی اجازه می‌دهد تا هنگام بررسی تصاویر، به صورت پویا بزرگ‌نمایی و کوچک‌نمایی کند و جزئیات بصری ریز را مورد تحلیل و بررسی قرار دهد.

شرکت بایدو توضیح داده است که این قابلیت مشابه حل مسئله بصری در انسان عمل می‌کند و با ادغام شدن با ابزارهای جستجوی تصویر، کارایی مدل را در پردازش اطلاعات بصری پیچیده و دسترسی به دانش گسترده به شکل چشمگیری افزایش می‌دهد.

تمرکز بر امنیت و دقت محتوا

بایدو همچنین تأکید کرده است که نسخه جدید با لایه‌های امنیتی قوی‌تری عرضه شده است. سیستم بررسی و فیلتر محتوای ERNIE 5.0 از دقت بالاتری برخوردار است و اجازه نمی‌دهد که مدل محتوای حساس یا نادرست تولید کند. این ویژگی امنیتی باعث می‌شود که سازمان‌های دولتی، مالی و دیگر نهادها بتوانند با اطمینان بیشتری از این مدل در کسب و کار خود استفاده نمایند.

رقابت مستقیم با بزرگان حوزه هوش مصنوعی

بر اساس ارائه‌ای که شرکت بایدو منتشر کرده است، هوش مصنوعی ERNIE 5.0 در مقایسه با رقبای مشهور بازار، عملکردی کاملاً رقابتی و مناسب از خود نشان داده است. این مقایسه‌ها شامل وظایفی چون درک مطلب، تحلیل صوتی و فهم بصری می‌شود.

به نظر می‌رسد که مدل چینی بایدو توانسته است در حوزه‌های تخصصی زیر، عملکرد بهتری نسبت به رقبا از جمله جمینای گوگل، دیپ سیک و جی‌پی‌تی ۵ ارائه دهد:

1. تشخیص نوری کاراکترها (OCR)
2. پاسخ به سؤال از روی اسناد و مدارک