- Arquitectura de ERNIE-4.5-VL-28B-A3B
- Por qué ERNIE-4.5-VL-28B-A3B-Thinking puede mejorar los flujos de trabajo de código aumentados con herramientas
- Qué hace realmente ERNIE-4.5-VL-28B-A3B-Thinking dentro de un flujo de trabajo de herramientas de código
- Cómo acceder a ERNIE-4.5-VL-28B-A3B-Thinking a un buen precio
Novita AI lanza su campaña “Build Month”, ofreciendo a los desarrolladores un incentivo exclusivo de hasta un 20% de descuento en todos los productos principales.
Los desarrolladores modernos cada vez tienen más dificultades para integrar entradas visuales intensivas como diagramas, capturas de pantalla y documentos técnicos en flujos de trabajo de código, manteniendo al mismo tiempo baja latencia y costos controlables. Los VLM tradicionales son demasiado lentos para estar dentro de bucles de herramientas o demasiado débiles en razonamiento estructurado para guiar decisiones reales de ingeniería.
Este artículo explica cómo ERNIE-4.5-VL-28B-A3B-Thinking aborda esta brecha al combinar sólidos benchmarks de razonamiento visual-lingüístico con una arquitectura A3B que permite una inferencia rápida y repetida, y demuestra cómo estas propiedades lo hacen adecuado para flujos de trabajo de código aumentados con herramientas.
Arquitectura de ERNIE-4.5-VL-28B-A3B
Al activar solo 3 mil millones de parámetros por token desde un depósito denso de 28B, el modelo logra inteligencia de primer nivel con costos de inferencia de gama baja.
La “A3B” en el nombre del modelo significa Active 3B (3B activos), indicando una arquitectura de Mixture-of-Experts (MoE) diseñada para una eficiencia extrema.
-
Parámetros totales: 28-30 mil millones (MoE disperso)
-
Parámetros activos: 3 mil millones (por token de inferencia)
-
Ventana de contexto: 128k tokens
-
Mejoras principales:
- Pensamiento con imágenes: A diferencia de los VLM estándar que procesan imágenes como tokens estáticos, este modelo puede “acercarse” y “buscar” iterativamente dentro de una imagen para resolver detalles finos.
- GSPO e IcePop RL: Utiliza aprendizaje por refuerzo avanzado (Group-based Self-Play Optimization) para estabilizar el entrenamiento MoE, asegurando que los expertos se enruten correctamente para lógica compleja.
Caso 1: Capacidad de Pensamiento con Imágenes de ERNIE-4.5-VL-28B-A3B
¿Cuál es el texto del letrero con fondo azul en la pared junto a la acera?
De Baidu
Caso: Resolver un Circuito Puente para Calcular la Resistencia Equivalente
En este ejemplo, se presenta al modelo un circuito puente no trivial y se le pide calcular la resistencia equivalente entre los nodos A y B.
De Baidu
Por qué ERNIE-4.5-VL-28B-A3B-Thinking puede mejorar los flujos de trabajo de código aumentados con herramientas
Las puntuaciones de los benchmarks muestran una fortaleza consistente en razonamiento STEM, comprensión de documentos y anclaje visual, que corresponden directamente a los pasos cognitivos más difíciles en flujos de trabajo de código reales.
En benchmarks de comprensión de documentos y razonamiento estructurado, ERNIE-4.5-VL-A3B alcanza o supera con frecuencia el rango del percentil 95 de Gemini-2.5-Pro y GPT-5-High, a pesar de activar muchos menos parámetros por token.
| Benchmark | ERNIE-4.5-VL-A3B | Gemini-2.5-Pro | GPT-5-High | Qué significa esto para los desarrolladores |
|---|---|---|---|---|
| MathVista | 82.5 | 82.7 | 81.3 | Razonamiento simbólico multi-paso confiable |
| MathVerse | 81.0 | 82.9 | 84.1 | Fuerte abstracción bajo restricciones |
| MMMU | 72.2 | 81.7 | 84.2 | Descomposición multimodal de problemas |
| ChartQA | 87.1 | 78.3 | 78.2 | Extracción de datos estructurados |
| DocVQA (val) | 93.6 | 91.2 | 94.2 | Anclaje preciso en documentos |
| OCRBench | 85.8 | 86.4 | 81.0 | Reconocimiento robusto de texto en imágenes |
| CharXiv-DQ | 90.3 | 91.2 | 93.5 | Razonamiento técnico de formato largo |
| CV-Bench | 83.8 | 84.8 | 85.0 | Consistencia lógica visual |
| Promedio (Total) | 73.1 | 75.4 | 76.6 | Modelo compacto, razonamiento casi de primer nivel |
Aunque el modelo tiene 28B de parámetros, solo 3B están activos por token, lo que permite un razonamiento rápido y de baja latencia adecuado para llamadas repetidas dentro de bucles de herramientas.
Características clave relevantes para los usuarios:
- Parámetros activos: 3B por token
- Latencia efectiva: Comparable a modelos pequeños y medianos
- Longitud de contexto: Hasta 128k tokens, soportando razonamiento a nivel de sistema
El diseño A3B permite:
- Pasos de razonamiento frecuentes sin costos prohibitivos
- Latencia estable en flujos de trabajo agénticos
- Despliegue práctico como una API de razonamiento siempre activa
¡Prueba ERNIE-4.5-VL-28B-A3B-Thinking Ahora!
Qué hace realmente ERNIE-4.5-VL-28B-A3B-Thinking dentro de un flujo de trabajo de herramientas de código
ERNIE-4.5-VL-28B-A3B-Thinking trata la visión como una entrada de razonamiento, no solo como un extractor de características, permitiendo a los desarrolladores integrar capturas de pantalla, diagramas y documentos directamente en flujos de trabajo de código. Esto no es OCR más generación de texto. El modelo razona sobre la estructura visual y la alinea con la intención.
1. Comprensión de Diagramas y Arquitectura
El modelo puede interpretar diagramas de sistemas y convertir la estructura visual en relaciones lógicas relevantes para decisiones de código.
Qué proporciona la capacidad VL
- Identifica componentes, límites y flujo de datos a partir de diagramas
- Alinea elementos visuales con descripciones textuales
- Preserva relaciones estructurales en el razonamiento
Ejemplo
- Entrada: Diagrama de arquitectura de microservicios + nota de diseño breve
- Salida: Explicación de las dependencias de servicios y rutas de comunicación
- Impacto: Las herramientas de código se guían a los módulos correctos en lugar de escanear toda la base de código
2. Comprensión del Contexto de Código Basada en Capturas de Pantalla
El modelo puede razonar sobre capturas de pantalla de la interfaz de usuario o del IDE para inferir la lógica subyacente y la intención.
Qué proporciona la capacidad VL
- Lee diseños de interfaz, registros y estados de error a partir de capturas de pantalla
- Conecta estados visuales con posibles rutas de código
- Maneja información textual incompleta o parcial
Ejemplo
- Entrada: Captura de pantalla de un panel con fallos y mensajes de error parciales
- Salida: Hipótesis sobre un desajuste entre frontend y backend y la capa API relevante
- Impacto: Depuración más rápida sin necesidad de reproducir registros completos
3. Razonamiento de Código Centrado en Documentos
El modelo sobresale en la extracción de lógica procesable de documentos técnicos que mezclan texto, tablas y elementos visuales.
Qué proporciona la capacidad VL
- Analiza especificaciones, PDFs y documentos tipo investigación
- Vincula figuras y tablas con la lógica de implementación
- Mantiene la alineación a lo largo de documentos extensos
Ejemplo
- Entrada: PDF de especificación de API con tablas y diagramas de flujo
- Salida: Resumen estructurado de endpoints, restricciones y casos límite
- Impacto: Las herramientas de generación de código parten de una comprensión correcta y fundamentada
4. Razonamiento Visual para Descomposición de Problemas
Las entradas visuales se utilizan para impulsar un razonamiento multi-paso, no solo reconocimiento.
Qué proporciona la capacidad VL
- Convierte problemas visuales en representaciones simbólicas
- Mantiene la consistencia a lo largo de los pasos de razonamiento
- Soporta abstracción antes de la implementación
Ejemplo
- Entrada: Diagrama de flujo de una tubería de datos
- Salida: Desglose paso a paso de las etapas de procesamiento y puntos de fallo
- Impacto: Permite llamadas a herramientas más específicas en lugar de depuración general
¡Prueba ERNIE-4.5-VL-28B-A3B-Thinking Ahora!
Cómo acceder a ERNIE-4.5-VL-28B-A3B-Thinking a un buen precio
Novita AI ofrece APIs de ERNIE-4.5-VL-28B-A3B-Thinking con una ventana de contexto de 30K a $0.112 por entrada y $0.448 por salida, soportando salidas estructuradas y llamadas a funciones.
Paso 1: Inicia sesión y accede a la Biblioteca de Modelos
Inicia sesión en tu cuenta y haz clic en el botón Model Library.
Paso 2: Elige tu modelo
Explora las opciones disponibles y selecciona el modelo que se adapte a tus necesidades.
¡Prueba ERNIE-4.5-VL-28B-A3B-Thinking Ahora!
Paso 3: Comienza tu prueba gratuita
Inicia tu prueba gratuita para explorar las capacidades del modelo seleccionado.
Paso 4: Obtén tu clave API
Para autenticarte con la API, te proporcionaremos una nueva clave API. Entra en la página de “Settings“ y copia la clave API como se indica en la imagen.
from openai import OpenAI
client = OpenAI(
api_key="<Tu clave API>",
base_url="https://api.novita.ai/openai"
)
response = client.chat.completions.create(
model="baidu/ernie-4.5-vl-28b-a3b",
messages=[
{"role": "system", "content": "Eres un asistente útil."},
{"role": "user", "content": "Hola, ¿cómo estás?"}
],
max_tokens=8000,
temperature=0.7
)
print(response.choices[0].message.content)
ERNIE-4.5-VL-28B-A3B-Thinking logra un rendimiento de razonamiento visual-lingüístico casi de primer nivel mientras activa solo 3B de parámetros por token, permitiendo inferencia de baja latencia y alta frecuencia dentro de flujos de trabajo de herramientas. Sus fortalezas probadas en benchmarks de comprensión de documentos, anclaje visual y razonamiento STEM le permiten actuar como un coordinador de razonamiento en lugar de un motor de sintaxis. Como resultado, es muy adecuado para desarrolladores que necesitan integrar diagramas, capturas de pantalla y documentos técnicos en herramientas de código sin sacrificar velocidad ni eficiencia de costos.
Preguntas Frecuentes
¿Qué tipo de tareas de razonamiento son las más adecuadas para ERNIE-4.5-VL-28B-A3B-Thinking?
ERNIE-4.5-VL-28B-A3B-Thinking es más adecuado para tareas de razonamiento visual-lingüístico como interpretación de diagramas, comprensión de documentos y descomposición estructurada de problemas, en lugar de generación de código a nivel de sintaxis pura.
¿Puede ERNIE-4.5-VL-28B-A3B-Thinking reemplazar un LLM especializado en código?
No. ERNIE-4.5-VL-28B-A3B-Thinking está diseñado para complementar modelos especializados en código manejando la comprensión visual, la planificación y la validación, no la ejecución de código a bajo nivel.
¿Qué diferencia la capacidad visual-lingüística de ERNIE-4.5-VL-28B-A3B-Thinking de los modelos basados en OCR?
ERNIE-4.5-VL-28B-A3B-Thinking razona sobre la estructura visual y la intención, permitiendo tareas como la comprensión de sistemas basada en diagramas y la depuración impulsada por capturas de pantalla, en lugar de la simple extracción de texto.
Novita AI es la plataforma integral en la nube que impulsa tus ambiciones de IA. APIs integradas, serverless, instancias GPU — las herramientas rentables que necesitas. Elimina la infraestructura, comienza gratis y haz realidad tu visión de IA.
