Novita AIは「Build Month」キャンペーンを開始し、開発者に全主要製品で最大20%オフの特別インセンティブを提供しています！
現代の開発者は、図表、スクリーンショット、技術文書などの視覚重視の入力をコードワークフローに統合しつつ、低レイテンシーと制御可能なコストを維持することにますます苦労しています。従来のVLMは、ツールループ内で使用するには遅すぎるか、実際のエンジニアリング上の意思決定を導くための構造化された推論が弱すぎます。
この記事では、ERNIE-4.5-VL-28B-A3B-Thinkingが、強力な視覚・言語推論ベンチマークと、高速で反復的な推論を可能にするA3Bアーキテクチャを組み合わせることで、このギャップにどのように対処しているかを説明し、これらの特性がツール拡張コードワークフローにどのように適しているかを示します。
ERNIE-4.5-VL-28B-A3Bのアーキテクチャ
28Bの高密度リザーバーからトークンあたりわずか30億のパラメータのみを活性化することで、エッジレベルの推論コストで最高峰のインテリジェンスを実現します。
モデル名の「A3B」はActive 3Bを意味し、極めて高い効率性を実現するために設計されたMixture-of-Experts（MoE）アーキテクチャを示しています。
-
総パラメータ数: 28～300億（スパースMoE）
-
活性化パラメータ数: 30億（トークンあたりの推論）
-
コンテキストウィンドウ: 128kトークン
-
中核となる強化点:
- Thinking with Images: 画像を静的なトークンとして処理する標準的なVLMとは異なり、このモデルは画像内を反復的に「ズーム」および「検索」して、細かい詳細を解決できます。
- GSPO & IcePop RL: 高度な強化学習（Group-based Self-Play Optimization）を使用してMoEトレーニングを安定化し、複雑なロジックに対してエキスパートが正しくルーティングされることを保証します。
ケース1: ERNIE-4.5-VL-28B-A3BのThinking with Images
歩道脇の壁にある、青い背景の看板のテキストは何ですか？
ケース: ブリッジ回路を解いて等価抵抗を計算する
この例では、モデルに自明ではないブリッジ回路が提示され、ノードAとB間の等価抵抗を計算するよう求められています。
ERNIE-4.5-VL-28B-A3B-Thinkingがツール拡張コードワークフローを改善できる理由
ベンチマークスコアは、STEM推論、文書理解、視覚的グラウンディングにおいて一貫した強みを示しており、これらは実際のコードワークフローにおける最も困難な認知ステップに直接対応します。
文書理解および構造化推論ベンチマークにおいて、ERNIE-4.5-VL-A3Bは、トークンあたりの活性化パラメータがはるかに少ないにもかかわらず、Gemini-2.5-ProやGPT-5-Highの95パーセンタイル範囲に頻繁に達するか、それを超えています。
| ベンチマーク | ERNIE-4.5-VL-A3B | Gemini-2.5-Pro | GPT-5-High | 開発者にとっての意味 |
|---|---|---|---|---|
| MathVista | 82.5 | 82.7 | 81.3 | 信頼性の高い多段階記号推論 |
| MathVerse | 81.0 | 82.9 | 84.1 | 制約下での強力な抽象化 |
| MMMU | 72.2 | 81.7 | 84.2 | マルチモーダル問題分解 |
| ChartQA | 87.1 | 78.3 | 78.2 | 構造化データ抽出 |
| DocVQA (val) | 93.6 | 91.2 | 94.2 | 正確な文書グラウンディング |
| OCRBench | 85.8 | 86.4 | 81.0 | 視覚からの堅牢なテキスト認識 |
| CharXiv-DQ | 90.3 | 91.2 | 93.5 | 長文形式の技術的推論 |
| CV-Bench | 83.8 | 84.8 | 85.0 | 視覚的ロジックの一貫性 |
| 平均 (全項目) | 73.1 | 75.4 | 76.6 | コンパクトモデル、最高峰に迫る推論能力 |
このモデルは280億のパラメータを持ちますが、トークンあたりの活性化パラメータは30億のみであり、ツールループ内での繰り返し呼び出しに適した、高速で低レイテンシーな推論を実現します。
ユーザーに関連する主な特性:
- 活性化パラメータ: トークンあたり30億
- 実効レイテンシー: 小規模～中規模モデルと同等
- コンテキスト長: 最大128kトークン、システムレベルの推論をサポート
A3B設計により、以下が可能になります:
- 法外なコストをかけずに頻繁な推論パスを実行
- エージェンティックワークフローでの安定したレイテンシー
- 常時稼働の推論APIとして実用的なデプロイ
今すぐERNIE-4.5-VL-28B-A3B-Thinkingを試す！
ERNIE-4.5-VL-28B-A3B-Thinkingがコードツールワークフロー内部で実際に行うこと
ERNIE-4.5-VL-28B-A3B-Thinkingは、視覚を特徴抽出器ではなく推論入力として扱います。これにより、開発者はスクリーンショット、図表、文書をコードワークフローに直接統合できます。これは単なるOCRとテキスト生成ではありません。モデルは視覚構造に対して推論し、それを意図と整合させます。
1. 図表とアーキテクチャの理解
モデルはシステム図を解釈し、視覚構造をコード上の判断に関連する論理的な関係に変換できます。
VL機能が提供するもの
- 図からコンポーネント、境界、データフローを識別
- 視覚要素をテキストによる説明と整合
- 推論における構造的関係を保持
例
- 入力: マイクロサービスアーキテクチャ図 + 短い設計メモ
- 出力: サービス依存関係と通信経路の説明
- 影響: コードツールはコードベース全体をスキャンする代わりに、正しいモジュールへと導かれる
2. スクリーンショットベースのコードコンテキスト理解
モデルはUIやIDEのスクリーンショットから推論し、基礎となるロジックと意図を推測できます。
VL機能が提供するもの
- スクリーンショットからUIレイアウト、ログ、エラー状態を読み取り
- 視覚的な状態を可能性のあるコードパスに関連付け
- 不完全または部分的なテキスト情報を処理
例
- 入力: 部分的なエラーメッセージが表示された、動作不良のダッシュボードのスクリーンショット
- 出力: フロントエンドとバックエンドの不一致に関する仮説と、関連するAPIレイヤー
- 影響: 完全なログの再現を必要とせずに、より迅速なデバッグが可能
3. 文書中心のコード推論
モデルはテキスト、表、ビジュアルが混在する技術文書から実用的なロジックを抽出することに優れています。
VL機能が提供するもの
- 仕様書、PDF、研究スタイルの文書を解析
- 図や表を実装ロジックにリンク
- 長文書にわたって整合性を維持
例
- 入力: 表とフローチャートを含むAPI仕様PDF
- 出力: エンドポイント、制約、エッジケースの構造化されたサマリー
- 影響: コード生成ツールは、正確で根拠のある理解から開始できる
4. 問題分解のための視覚的推論
視覚入力は、単なる認識ではなく、多段階の推論を駆動するために使用されます。
VL機能が提供するもの
- 視覚的問題を記号表現に変換
- 推論ステップ間で一貫性を維持
- 実装前の抽象化をサポート
例
- 入力: データパイプラインフローチャート
- 出力: 処理段階と障害点の段階的な分解
- 影響: 広範なデバッグではなく、対象を絞ったツール呼び出しが可能
今すぐERNIE-4.5-VL-28B-A3B-Thinkingを試す！
お手頃な価格でERNIE-4.5-VL-28B-A3B-Thinkingにアクセスするには？
Novita AIは、30Kコンテキストウィンドウを持つERNIE-4.5-VL-28B-A3B-Thinking APIを、入力$0.112、出力$0.448で提供しています。構造化出力と関数呼び出しをサポートしています。
ステップ1: ログインしてモデルライブラリにアクセス
アカウントにログインし、「モデルライブラリ」ボタンをクリックします。
ステップ2: モデルを選択
利用可能なオプションを参照し、ニーズに合ったモデルを選択します。
今すぐERNIE-4.5-VL-28B-A3B-Thinkingを試す！
ステップ3: 無料トライアルを開始
無料トライアルを開始して、選択したモデルの機能を試してみましょう。
ステップ4: APIキーを取得
APIで認証を行うために、新しいAPIキーを提供します。「設定」ページに移動し、画像のようにAPIキーをコピーします。
from openai import OpenAI
client = OpenAI(
api_key="<Your API Key>",
base_url="https://api.novita.ai/openai"
)
response = client.chat.completions.create(
model="baidu/ernie-4.5-vl-28b-a3b",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Hello, how are you?"}
],
max_tokens=8000,
temperature=0.7
)
print(response.choices[0].message.content)
ERNIE-4.5-VL-28B-A3B-Thinkingは、トークンあたりわずか30億のパラメータを活性化しながら、最高峰に迫る視覚・言語推論性能を達成し、ツールワークフロー内での低レイテンシーかつ高頻度な推論を可能にします。文書理解、視覚的グラウンディング、STEM推論におけるベンチマークで実証された強みにより、構文エンジンではなく推論コーディネーターとして機能します。その結果、速度やコスト効率を犠牲にすることなく、図表、スクリーンショット、技術文書をコードツールに統合する必要がある開発者に最適です。
よくある質問
ERNIE-4.5-VL-28B-A3B-Thinkingはどのような種類の推論タスクに最も適していますか？
ERNIE-4.5-VL-28B-A3B-Thinkingは、純粋な構文レベルのコード生成よりも、図解、文書理解、構造化された問題解決といった視覚・言語推論タスクに最も適しています。
ERNIE-4.5-VL-28B-A3B-Thinkingはコード特化型LLMの代わりになりますか？
いいえ。ERNIE-4.5-VL-28B-A3B-Thinkingは、低レベルのコード実行ではなく、視覚的理解、計画、検証を処理することで、コード特化型モデルを補完するように設計されています。
ERNIE-4.5-VL-28B-A3B-Thinkingの視覚・言語機能は、OCRベースのモデルと何が違うのですか？
ERNIE-4.5-VL-28B-A3B-Thinkingは、単純なテキスト抽出ではなく、視覚構造と意図に基づいて推論するため、図ベースのシステム理解やスクリーンショット駆動のデバッグなどのタスクが可能になります。
Novita AIは、あなたのAIの野望を実現するオールインワンのクラウドプラットフォームです。統合API、サーバーレス、GPUインスタンス — 必要なコスト効率の高いツール。インフラを排除し、無料で始めて、AIのビジョンを現実のものにしましょう。
