又一家中國模型引發了硅谷大模型界的反思！這次，是百度文心 X1。

知名風投機構 Benchmark 合伙人 Bill Gurley，在社交媒體上的評論引發熱議：" 美國人工智能公司應將 100% 的時間用于開發和創新，而不是在華盛頓特區游說尋求保護以躲避競爭。"

另一邊，海外用戶紛紛在平臺上求助如何獲取百度賬號，科技 KOL Alvin Foo 在使用數小時后評價：" 百度對文心進行了重大更新 ... 其性能令人印象深刻。在多個基準測試中均優于 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，都源于 3 月 16 日百度同時發布了文心大模型 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于 GPT4.5、DeepSeek-V3 等，并在平均分上以 79.6 分高于 GPT4.5 的 79.14。而文心 X1 作為百度首個深度思考模型，主打的就是極致性價比。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，但性能卻不相上下。

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調用的突破，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、代碼執行等 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調用足夠多的工具來實現用戶發出的指令，比如直接調用編程工具進行編程，或者調用 word 文檔存檔知識庫，形成一系列工作流，這不就是原生 Agent 么？

我們帶著這個疑問，全面測試了 X1 和文心 4.5。

能調用工具的 X1，堪比 Agent？

在評測過程中，我們先是測試了 X1 的基礎編程能力，讓它幫忙設計了一個貪吃蛇小游戲。通過思考，X1 很快給出了設計思路和代碼。

代碼結構清晰，注釋詳盡，不僅包含了游戲的核心邏輯，還考慮到碰撞檢測、分數計算和游戲狀態管理等細節。不過 X1 體現了完全的 " 程序員直男風格 "，完全不懂美化一下小蛇。（笑死）

隨后，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，這道題在我們題庫里，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，最后一題的殺人動機為 c，一個被迫害妄想癥患者的自我保護。

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于他可以思考后調用工具，完成用戶更落地的需求，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，并生成效果圖。這中間涉及到圖片理解——裝修意見—— AI 生圖，調用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，對哪些家具擺放不滿意還可以進一步提需求調整，X1 也能處理更加復雜的需求，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 即便在復雜任務下，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復雜度，無需用戶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，模型能基于任務特點智能選擇最優工具組合，而非簡單套用固定流程。在實際使用中，X1 能在單次交互中靈活調用搜索、繪圖、代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，同時不卡頓又能調用其他工具，真香了！

怎樣高性能，又能低成本？

那么，X1 是如何做到在保證模型性能的前提下，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。通過飛槳深度學習平臺和文心大模型的聯合優化，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優化。通過分塊 Hadamard 量化技術，精確控制模型參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，維持了高水平性能表現。

推理引擎是另一個關鍵突破點。百度團隊實現了低精度高性能算子優化，充分利用硬件特性；創新開發的動態自適應解碼技術，同時基于神經網絡編譯器的深度定制化優化，實現了推理加速。

最后是通過框架和芯片協同優化、分離式部署架構、高效資源調度實現了系統級優化。

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。

據硅星人了解到，X1 采用了遞進式強化學習訓練方法，不同于傳統的強化學習通過 " 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、搜索、工具調用、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，并生成投資建議時，模型能自主決策先使用圖像理解工具，再調用搜索獲取相關行業數據，最后通過代碼解釋器生成數據可視化分析，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。通過這種方式，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，在復雜的市場分析任務中，X1 先通過思維鏈分析需要哪些數據，然后通過行動鏈調用搜索工具獲取最新市場數據，發現數據不足后，又主動調整策略使用更專業的數據分析工具，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局限性，構建了多元統一的獎勵系統。通過融合多種類型的獎勵機制，形成綜合獎勵信號，全方位指導模型優化方向。

這一系統的最大優勢在于避免模型 " 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，代碼生成場景側重邏輯性），依賴海量場景數據訓練。

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，百度也發布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，我們向模型發送了一段抖音視頻，關于電子產品介紹，文心 4.5 不僅能準確識別視頻中的專業術語和關鍵數據，還能對該產品進行購買推薦。當面對含有多種信息源（圖片、表格、文本）的混合輸入時，模型能正確識別并區分不同來源的信息，避免了常見的信息混淆和虛構，這得益于其強大的去幻覺能力。

通過 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、多模態異構專家擴展技術、時空維度表征壓縮技術、基于知識點的大規模數據構建技術和基于自反饋的 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，更為模型后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、分析視頻腳本進行模仿、電商產品圖生成等等，都變成了通用大模型的能力。

通過這些深度技術創新，百度不僅打造出了高性能、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 性能的高要求，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。