A new open‑source OCR model just hit 82.4 on the olmOCR‑bench, mastering equations, tables and multilingual text. Built on PaddleOCR VL with ERNIE‑4.5‑0.3B and a NaViT‑style vision‑language backbone, it scales to massive document pipelines. Curious how it works? Read the full breakdown. #olmOCRbench #PaddleOCRVL #ERNIE45 #NaViTStyle

🔗 https://aidailypost.com/news/open-source-ocr-model-scores-824-olmocr-bench-handles-equations-tables

Chińskiej ofensywy ciąg dalszy. Baidu ERNIE 4.5 pokonuje GPT-5 i Gemini w analizie obrazu i wideo

Zaledwie wczoraj informowaliśmy o chińskim modelu Kimi K2, który rzucił wyzwanie liderom z USA. Dziś do gry wchodzi waga ciężka.

Technologiczny gigant Baidu zaprezentował model ERNIE-4.5-VL-28B-A3B-Thinking, który w kluczowych benchmarkach multimodalnych wyprzedza zarówno GPT-5, jak i Gemini 2.5.

Mistrz wykresów i schematów

O ile Kimi K2 skupiał się na rozumowaniu, nowy ERNIE 4.5 to specjalista od „patrzenia”. Jest to model multimodalny, zaprojektowany specjalnie do pracy z trudnymi danymi biznesowymi: schematami inżynieryjnymi, nagraniami z fabryk czy skanami medycznymi.

Wyniki w benchmarkach są imponujące. W teście ChartQA (analiza wykresów) ERNIE uzyskał 87.1 pkt, deklasując Gemini 2.5 Pro (76.3) i GPT-5-High (78.2). Wygrał również w teście matematycznym MathVista (82.5 vs 82.3 u Gemini i 81.3 u GPT-5).

Widzi, rozumie i… klika

To, co wyróżnia ten model, to podejście „agentowe”. ERNIE nie tylko opisuje obrazek, ale potrafi działać:

• Rozumie schematy: potrafi rozwiązać diagram obwodu mostkowego, stosując prawa Ohma i Kirchhoffa.
• Generuje dane: zapytany o ludzi w garniturach na zdjęciu, może zwrócić ich dokładne współrzędne w formacie JSON – idealne do systemów bezpieczeństwa czy inspekcji wizualnej.
• Używa narzędzi: jeśli tekst na zdjęciu jest za mały, model autonomicznie „przybliża” obraz, by go odczytać.

Potężny, ale wymagający

Baidu zastosowało architekturę Mixture-of-Experts (MoE). Choć model jest potężny, podczas pracy aktywuje zaledwie 3 miliardy parametrów, co obniża koszty operacyjne (tzw. inferencję).

Jest jednak haczyk sprzętowy. Aby wdrożyć to rozwiązanie we własnej firmie (single-card deployment), potrzebujesz karty graficznej z aż 80 GB pamięci VRAM. Nie jest to więc narzędzie do domowych eksperymentów, ale dla firm posiadających infrastrukturę AI. Na osłodę: Baidu udostępnia model na licencji Apache 2.0, co pozwala na jego komercyjne wykorzystanie.

Chiński startup pobił GPT-5 i Claude 4.5. Model AI trenowano za ułamek ceny

#aiSi #analizaObrazu #baidu #benchmark #chiny #ernie45 #gemini25 #gpt5 #news #sztucznaInteligencja

Der chinesische Technologieriese Baidu hat mit der Einführung von zwei neuen KI-Modellen für Aufsehen gesorgt. Diese Entwicklung könnte den globalen KI-Markt nachhaltig beeinflussen und bietet Anlegern spannende Perspektiven. #Baidu #Ernie #Ernie45 #ErnieX1 #GPT4 #OpenAI

https://blog.aihax.ai/2025/03/19/baidu-ernie-4-5-in-sechs-von-sieben-benchmarks-besser-als-gpt-4/

Baidu Unveils ERNIE 4.5 and X1 Models Beating GPT-4.5 on Many Multimodal Benchmarks While Costing 99% Less

#AI #Baidu #ERNIE45 #ERNIEX1 #MultimodalAI #AIReasoning #GPT45 #ChineseAI #AIModels #AICompetition #China

https://winbuzzer.com/2025/03/16/baidu-unveils-ernie-4-5-and-x1-models-beating-gpt-4-5-on-many-multimodal-benchmarks-while-costing-99-less-xcxwbn/