百度 ERNIE 5.1 嘅 6% 成本說法，點解會牽動 AI 競賽？

點解 6% 值得留意

AI 模型競賽經常被講成一場規模戰：更多參數、更多數據、更多算力。ERNIE 5.1 的說法則係另一條路：在縮細模型足跡、避免完整重做預訓練的情況下，仍然保留有競爭力的表現 。

如果這條路線在實際使用中站得住腳，競爭焦點就可能由單純鬥大，轉向成本性能工程：點樣沿用一個基礎模型、揀更有效率的子模型、降低每次計算會啟動的參數，再用後訓練調好行為。ERNIE 5.1 之所以值得留意，就係百度在發布材料中很明確地用這套邏輯講自己的進展 。

百度聲稱點樣慳到預訓練成本

1. 沿用 ERNIE 5.0 的基礎

百度稱 ERNIE 5.1 繼承 ERNIE 5.0 的預訓練基礎 。這是 6% 成本說法的核心：ERNIE 5.1 被定位為由既有基礎衍生出來的模型，而不是一次全新、全額成本的預訓練工程。

2. 同時壓縮總參數同活躍參數

百度稱 ERNIE 5.1 將總參數壓縮至約三分之一，活躍參數壓至約一半 。簡單講，總參數可理解為整個模型的體積；活躍參數則係一次計算中實際參與的部分。兩者都降，這個發布自然不只是講能力，也是在講效率。

3. 用彈性訓練做模型家族

ERNIE 5.0 技術報告提到一種 elastic training（彈性訓練）方法：單一次預訓練可以產生一組容量與效率取捨不同的模型 。報告稱，訓練會按預設排程動態抽樣不同深度、寬度和路由稀疏度的子模型，並讓子模型從完整模型繼承知識，供後續後訓練階段使用 。

這有助理解 ERNIE 5.1 背後的模型家族邏輯：重點不是單純做大一個模型，而是先訓練一個可調基礎，再衍生更省成本的配置 。

4. 靠後訓練補強 Agent、推理同創作

百度亦稱，ERNIE 5.1 借助分離式全異步強化學習及大規模智能體式後訓練，帶來 Agent、推理和創作能力的全面升級 。換句話講，百度不只是說模型變細；它同時主張，後訓練對最終能力輪廓有重要作用 。

仲有乜未證實

最大問題係驗證。現有公開材料未完整交代訓練預算、硬件配置、數據組成、訓練時間、加速器利用率、後訓練成本，以及 6% 所比較的「同類模型」究竟是哪一組 。

這不代表 6% 講法完全無參考價值；但它確實不等於經第三方審計的成本基準。最穩陣的解讀是：百度聲稱 ERNIE 5.1 透過繼承、壓縮、彈性訓練思路和後訓練，在其模型規模上保留領先基礎性能，同時大幅降低預訓練成本 。

一句到尾

ERNIE 5.1 的訊息係：AI 競賽不一定只鬥誰的模型更大，也可以鬥誰更懂得把已有基礎變成高性價比模型。百度稱 ERNIE 5.1 承接 ERNIE 5.0、壓縮總參數與活躍參數，並以約 6% 同類模型預訓練成本達到同規模領先表現 。

但到目前為止，這仍然是一個嚴肅但未完全驗證的效率主張。除非百度或獨立評測方披露更多比較基準、硬件、數據和成本計法，否則 ERNIE 5.1 的 6% 不應被當成一槌定音的行業成本標尺。