ERNIE-4.5-21B-A3B-Paddle 本地部署教程：百度飞桨出品，下一代多模态大模型标杆

于 2025-07-07 18:16:16 发布
阅读量672 收藏 4
点赞数 6
CC 4.0 BY-SA版权
分类专栏： 模型构建 文章标签： 人工智能 百度飞浆 ERNIE-4.5 模型部署教程 算家云 租算力，到算家云
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/SJJS_1/article/details/149178657

一、介绍

ERNIE-4.5-21B-A3B-Paddle 是百度推出的新一代多模态大模型，属于 ERNIE 4.5 系列，采用 混合专家（MoE）架构，总参数规模达 210 亿，激活参数 30 亿。该模型基于 飞桨（PaddlePaddle）深度学习框架 开发，支持文本与视觉的联合训练，具备强大的多模态理解和生成能力。

核心架构与技术特点

1. 多模态异构 MoE 预训练

  • 架构创新：
    • 采用 异构 MoE（Mixture of Experts）架构，结合文本和视觉模态进行联合训练，提升跨模态理解能力。
    • 引入 模态隔离路由（Modality-Isolated Routing）、路由器正交损失（Router Orthogonal Loss） 和 多模态令牌平衡损失（Multimodal Token-Balanced Loss），确保不同模态信息的高效协同，避免模态间干扰。

2. 高效扩展的基础设施

  • 训练端：
    • 通过 异构混合并行、分层负载均衡、FP8 混合精度训练 等技术，实现高吞吐量（模型 FLOP 利用率 MFU 达 47%）。
    • 支持大规模模型的高效训练，降低资源消耗。
  • 推理端：
    • 支持 4-bit/2-bit 无损量化，采用 多专家并行协作 和 动态角色切换的 PD 解耦（PD Disaggregation） 技术，提升推理效率。
    • 兼容多种硬件平台（如 NVIDIA GPU、昆仑芯 XPU 等），降低部署门槛。

3. 针对特定模态的后训练

  • 文本模型：
    • 通过 监督微调（SFT）、直接偏好优化（DPO） 等技术进行对齐，优化指令遵循和知识问答能力。
  • 视觉语言模型：
    • 支持 “思考模式（Thinking Mode）” 和 “非思考模式（Non-Thinking Mode）”：
      • 非思考模式：擅长快速视觉感知，适用于实时图像识别等任务。
      • 思考模式：适用于复杂推理任务，如文档理解、图表分析等。
  • 轻量级模型：
    • 提供 3 亿参数（0.3B）稠密模型，适配移动端部署需求，同时保持高性能。

二、部署过程

基础环境最低要求说明：

环境名称版本信息1
Ubuntu22.04.4 LTS
CudaV12.4.105
Python3.12
NVIDIA CorporationRTX 4090

1. 更新基础软件包

查看系统版本信息

# 查看系统版本信息，包括ID（如ubuntu、centos等）、版本号、名称、版本号ID等
cat /etc/os-release

1726627581255_image.png

配置 apt 国内源

# 更新软件包列表
apt-get update

这个命令用于更新本地软件包索引。它会从所有配置的源中检索最新的软件包列表信息，但不会安装或升级任何软件包。这是安装新软件包或进行软件包升级之前的推荐步骤，因为它确保了您获取的是最新版本的软件包。

# 安装 Vim 编辑器
apt-get install -y vim

这个命令用于安装 Vim 文本编辑器。-y 选项表示自动回答所有的提示为“是”，这样在安装过程中就不需要手动确认。Vim 是一个非常强大的文本编辑器，广泛用于编程和配置文件的编辑。

为了安全起见，先备份当前的 sources.list 文件之后，再进行修改：

# 备份现有的软件源列表
cp /etc/apt/sources.list /etc/apt/sources.list.bak

这个命令将当前的 sources.list 文件复制为一个名为 sources.list.bak 的备份文件。这是一个好习惯，因为编辑 sources.list 文件时可能会出错，导致无法安装或更新软件包。有了备份，如果出现问题，您可以轻松地恢复原始的文件。

# 编辑软件源列表文件
vim /etc/apt/sources.list

这个命令使用 Vim 编辑器打开 sources.list 文件，以便您可以编辑它。这个文件包含了 APT（Advanced Package Tool）用于安装和更新软件包的软件源列表。通过编辑这个文件，您可以添加新的软件源、更改现有软件源的优先级或禁用某些软件源。

在 Vim 中，您可以使用方向键来移动光标，i 键进入插入模式（可以开始编辑文本），Esc 键退出插入模式，:wq 命令保存更改并退出 Vim，或 :q! 命令不保存更改并退出 Vim。

编辑 sources.list 文件时，请确保您了解自己在做什么，特别是如果您正在添加新的软件源。错误的源可能会导致软件包安装失败或系统安全问题。如果您不确定，最好先搜索并找到可靠的源信息，或者咨询有经验的 Linux 用户。

1726627632814_image.png

使用 Vim 编辑器打开 sources.list 文件，复制以下代码替换 sources.list里面的全部代码，配置 apt 国内阿里源。

deb http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-security main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-updates main restricted universe multiverse
deb http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ jammy-backports main restricted universe multiverse

1726627649314_image.png

安装常用软件和工具

# 更新源列表，输入以下命令
apt-get update

# 更新系统软件包，输入以下命令
apt-get upgrade

# 安装常用软件和工具，输入以下命令
apt-get -y install vim wget git git-lfs unzip lsof net-tools gcc cmake build-essential

出现以下页面，说明国内apt源已替换成功，且能正常安装apt软件和工具

1726627670779_image.png

2. 安装 NVIDIA CUDA Toolkit 12.1

  • 下载 CUDA Keyring ：
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.0-1_all.deb

这个命令用于下载 CUDA 的 GPG 密钥环，它用于验证 CUDA 软件包的签名。这是确保软件包安全性的一个重要步骤。

  • 安装 CUDA Keyring ：
dpkg -i cuda-keyring_1.0-1_all.deb

使用 dpkg 安装下载的密钥环。这是必要的，以便 apt 能够验证从 NVIDIA 仓库下载的软件包的签名。

1726627689852_image.png

  • 删除旧的 apt 密钥（如果必要） ：
apt-key del 7fa2af80

这一步可能不是必需的，除非您知道 7fa2af80 是与 CUDA 相关的旧密钥，并且您想从系统中删除它以避免混淆。通常情况下，如果您只是安装 CUDA 并使用 NVIDIA 提供的最新密钥环，这一步可以跳过。

  • 更新 apt 包列表 ：
apt-get update

更新 apt 的软件包列表，以便包括刚刚通过 cuda-keyring 添加的 NVIDIA 仓库中的软件包。

  • 安装 CUDA Toolkit ：
apt-get -y install cuda-toolkit-12-1

1726627724243_image.png

出现以下页面，说明 NVIDIA CUDA Toolkit 12.1 安装成功

1726627736357_image.png

注意：这里可能有一个问题。NVIDIA 官方 Ubuntu 仓库中可能不包含直接名为 cuda-toolkit-12-1 的包。通常，您会安装一个名为 cuda 或 cuda-12-1 的元包，它会作为依赖项拉入 CUDA Toolkit 的所有组件。请检查 NVIDIA 的官方文档或仓库，以确认正确的包名。

如果您正在寻找安装特定版本的 CUDA Toolkit，您可能需要安装类似 cuda-12-1 的包（如果可用），或者从 NVIDIA 的官方网站下载 CUDA Toolkit 的 .run 安装程序进行手动安装。

请确保您查看 NVIDIA 的官方文档或 Ubuntu 的 NVIDIA CUDA 仓库以获取最准确的包名和安装指令。

1726627761880_image.png

  • 出现以上情况，需要配置 NVIDIA CUDA Toolkit 12.1 系统环境变量

编辑 ~/.bashrc 文件

# 编辑 ~/.bashrc 文件
vim ~/.bashrc

插入以下环境变量

# 插入以下环境变量
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

1726627785017_image.png

激活 ~/.bashrc 文件

# 激活 ~/.bashrc 文件
source ~/.bashrc

查看cuda系统环境变量

which nvcc
nvcc -V

1726627797367_image.png

3. 安装 Miniconda

  • 下载 Miniconda 安装脚本 ：
    • 使用 wget 命令从 Anaconda 的官方仓库下载 Miniconda 的安装脚本。Miniconda 是一个更小的 Anaconda 发行版，包含了 Anaconda 的核心组件，用于安装和管理 Python 包。
  • 运行 Miniconda 安装脚本 ：
    • 使用 bash 命令运行下载的 Miniconda 安装脚本。这将启动 Miniconda 的安装过程。
# 下载 Miniconda 安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 运行 Miniconda 安装脚本
bash Miniconda3-latest-Linux-x86_64.sh

# 初次安装需要激活 base 环境
source ~/.bashrc

按下回车键（enter）

1726627823409_image.png

输入yes

1726627835177_image.png

输入yes

1726627844297_image.png

安装成功如下图所示

1726627852297_image.png

pip配置清华源加速

# 编辑 /etc/pip.conf 文件
vim  /etc/pip.conf

加入以下代码

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

注意事项：

  • 请确保您的系统是 Linux x86_64 架构，因为下载的 Miniconda 版本是为该架构设计的。
  • 在运行安装脚本之前，您可能需要使用 chmod +x Miniconda3-latest-Linux-x86_64.sh 命令给予脚本执行权限。
  • 安装过程中，您将被提示是否同意许可协议，以及是否将 Miniconda 初始化。通常选择 “yes” 以完成安装和初始化。
  • 安装完成后，您可以使用 conda 命令来管理 Python 环境和包。
  • 如果链接无法访问或解析失败，可能是因为网络问题或链接本身的问题。请检查网络连接，并确保链接是最新的和有效的。如果问题依旧，请访问 Anaconda 的官方网站获取最新的下载链接。

4. 从 github 仓库 克隆项目

  • 克隆存储库：
# 克隆项目
git clone https://github.com/deepseek-ai/DeepSeek-R1 DeepSeek-R1-0528-Qwen3-8B

5. 创建虚拟环境

# 创建一个名为 Fast_Deploy 的新虚拟环境，并指定 Python 版本为 3.12
conda create -n Fast_Deploy python=3.12 -y

6. 安装模型依赖库

  • 切换到项目目录、激活虚拟环境、安装依赖
# 切换到项目工作目录
cd /ERNIE

# 激活虚拟环境
conda activate Fast_Deploy

# 安装模型依赖库
python -m pip install paddlepaddle-gpu==3.1.0 -i https://www.paddlepaddle.org.cn/packages/stable/cu126/

python -m pip install fastdeploy-gpu -i https://www.paddlepaddle.org.cn/packages/stable/fastdeploy-gpu-86_89/ --extra-index-url https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple

7. 下载预训练模型

  • 下载预训练权重
# 切换到项目工作目录
cd /ERNIE

# 下载预训练权重
huggingface-cli download baidu/ERNIE-4.5-21B-A3B-Paddle --local-dir baidu/ERNIE-4.5-21B-A3B-Paddle

8. 启动服务

# 切换到项目目录
cd /ERNIE
# 激活虚拟环境
conda activate Fast_Deploy

# 启动 api_server 服务到后台
nohup python -m fastdeploy.entrypoints.openai.api_server \
    --model "baidu/ERNIE-4.5-21B-A3B-Paddle" \
    --max-model-len 32768 \
    --port 9904 > api_server.log 2>&1 &

# 设置环境变量并启动 WebUI 到后台
cd /ERNIE/cookbook
nohup python conversation_demo.py \
    --model_map '{"ERNIE-4.5-21B-A3B-Paddle": "http://localhost:9904/v1"}' \
    --server-port 8080 \
    --server-name "0.0.0.0" > webui.log 2>&1 &

# 在一个终端窗口中同时跟踪两个日志文件
tail -f api_server.log webui.log

# 检查端口
netstat -tulnp | grep 8080

三、网页演示

出现以下页面，即是模型已搭建完成。

1751876610473_image.png

博客
十年未解基因谜团被ChatGPT破解！真实案例揭示AI医疗新可能
07-07 160
斗争十年顽疾无果后，一次AI尝试，竟意外破解了基因谜团。ChatGPT如何成为诊断助手？背后是人机协作的新可能。
博客
4 位量化 + FP8 混合精度：ERNIE-4.5-0.3B-Paddle本地部署，重新定义端侧推理效率
07-04 1109
ERNIE-4.5-0.3B-Paddle 是百度文心大模型 4.5 系列中的轻量级成员，采用，总参数量仅 3 亿，基于飞桨（PaddlePaddle）框架深度优化，专为边缘计算、移动端和资源受限环境设计。：模型基于文本和视觉模态进行联合训练，能更好地捕捉多模态信息的细微差别，并提升文本理解与生成、图像理解以及跨模态推理等任务的性能。团队设计了一种异构 MoE 结构，并引入了模态隔离路由，采用了路由器正交损失和多模态标记平衡损失。这些架构选择确保两种模态都得到有效表示，从而在训练过程中实现相互强化。
博客
华人占AI半壁江山！全球AI顶尖人才榜揭晓，何恺明领衔多位华人科学家
07-04 321
华人科学家，正在重塑硅谷的AI格局。
博客
5 秒预览物理世界，2 行代码启动生成——ComfyUI-Cosmos-Predict2 本地部署教程，重塑机器人训练范式！
07-03 914
Cosmos-Predict2 是（WFM） 物理 AI 生态系统的一个关键分支，专门通过高级世界建模进行未来状态预测。它提供两项强大的功能：用于从文本描述创建高质量图像的文本到图像生成，以及用于从视频输入生成视觉模拟的视频到世界生成。我们在下图中可视化了 Cosmos-Predict2 的架构。
博客
智谱开源多模态推理新王者！9B参数挑战72B巨头
07-03 508
小模型的大智慧，正在重构全球AI竞争规则。
博客
“开源双轨架构+40亿参数扩散Transformer——ComfyUI-OmniGen2本地部署教程：重塑多模态生成的效率边界！
07-02 818
是由北京智源研究院最新推出的一个强大、高效的开源多模态生成模型。与 OmniGen v1 不同，OmniGen2 具有两种不同的文本和图像模态解码路径，利用非共享参数和解耦的图像分词器。
博客
AI如何驱动小米YU7的“强大产品力”？从Thor芯片到场景预判引擎
07-02 435
小米YU7开启预定3分钟订单破20万，1小时逼近29万，引爆全球车市。现象级热销背后，是其AI技术对汽车产品力的系统性重构。
博客
图像编辑新变革 ！ComfyUI-Kontext-fp8本地部署教程，120B参数对标闭源巨头
07-01 737
是一个强大的、模块化的界面与后端项目。该用户界面将允许用户使用基于图形/节点/流程图的界面设计和执行高级稳定的扩散管道。FLUX.1 Kontext 是 Black Forest Labs 最新推出的突破性多模态图像编辑模型，支持文本和图像同步输入，智能理解图像上下文并执行精确编辑。其开发版本为开源的 120 亿参数扩散 transformer 模型，具有出色的上下文理解和字符一致性维护能力，确保角色特征、构图布局等关键要素即使经过多次迭代编辑也能保持稳定。
博客
扎克伯格成立华人主导“超级智能实验室”！AI人才争夺战迎来大洗牌
07-01 406
清华北大浙大中科大校友齐聚，硅谷AI人才争夺战迎来历史性洗牌”。
博客
AI初学者如何对大模型进行微调？——零基础保姆级实战指南
06-30 256
→ 马普所：训练速度↑10倍，内存消耗降为1/3（适配SD3.5扩散模型）→ 人大团队：AudioCaps数据集BLEU得分↑12.7%数据生成技巧：用GPT-4扩增50条种子数据到200条。上海交大2025新技术：数学推理准确率↑15%：Qwen2-7B实测显存降低70%观察是否符合system角色设定。：RTX 3090可微调30B模型。，数学推理效果媲美全参数训练。
博客
Labubu丑萌征服全球背后：AI赋能年轻人“为情绪买单”新经济
06-30 412
AI+潮玩，会产生下一个“Labubu”吗？
博客
RAGFlow 从入门到实践：开发者快速上手指南
06-27 839
RAGFlow 是一个基于对文档深入理解的开源 RAG（检索增强生成）引擎。当与 LLM 集成时，它能够提供真实的问答功能，并以来自各种复杂格式数据的有根据的引用为后盾。接下来将介绍RAGFlow快速上手指南，帮助大家更快入门该引擎。
博客
图像编辑革命！FLUX.1 Kontext [dev]震撼开源：120B参数对标闭源巨头GPT-4o！
06-27 199
今天凌晨，一个国产AI模型的开源，让AI图像编辑领域迎来里程碑时刻。
博客
Dify v1.4.3保姆级使用指南！低代码构建AI Agent全流程
06-26 1411
智能助手（Agent Assistant），利用大语言模型的推理能力，能够自主对复杂的人类任务进行目标规划、任务拆解、工具调用、过程迭代，并在没有人类干预的情况下完成任务。
博客
技术解析｜可灵AI全球首部AI单元剧《新世界加载中》工作流揭秘：提示词工程如何解决口型同步/复杂动作生成 ？
06-26 427
昨天，在北京首映礼的暗场中，一段黏土风格的荒诞喜剧画面投映在银幕上：一根「宇宙肥肠在太空中漂浮，讽刺着人类对虚假进步的盲目崇拜。这便是快手可灵AI与异类Outliers团队共同推出的《新世界加载中》全球首部AI单元剧集。这部与传统短剧不同的全新作品，用全新的呈现方式为观众带来了更具视觉冲击力的视觉效果和观影体验，成为AIGC领域的创新之作。然而，涵盖7个不同题材的单元剧集，必定涉及复杂的人物表情和动作，创作人员如何借助可灵AI，实现流畅的影视效果呢？
博客
开源代码修复新标杆——月之暗面最新开源编程模型Kimi-Dev-72B本地部署教程，自博弈修复 Bug
06-25 1269
Kimi-Dev-72B由月之暗面（Moonshot AI）最新开源的AI编程模型，专为软件工程任务设计，并，超越 DeepSeek-R1 等模型，成为当前。
博客
AI医疗技术新突破！中国发布全球首个胃癌平扫CT识别AI模型，无创CT提前半年锁定病灶
06-25 534
中国医疗AI领跑全球！浙肿与阿里联合研发出全球首个基于平扫CT的胃癌影像筛查模型，发表于《自然·医学》，凭借创新技术改写传统筛查格局，惠及亿万民众。
博客
技术伦理之争：OpenAI陷抄袭风波，法院强制下架宣传视频
06-24 598
初创公司IYO控诉OpenAI窃取其智能耳塞技术专利，一场关乎巨头伦理与初创生存的天价诉讼，正撼动AI硬件格局。
博客
空间智能觉醒！蚂蚁ViLaSR-7B突破人类思维屏障，让大模型首次具备人类空间思维能力！
06-23 376
李飞飞、谢赛宁团队去年末发布的VSI-Bench基准（涵盖288个真实场景视频、5000+问答对）首次量化了AI的空间认知缺陷：在物体相对方向、距离估计等任务中，15个主流MLLM的**错误率高达71%源于空间推理短板，而非视觉识别或语言理解。随着“绘图推理”范式与VSI-Bench等评估工具的双轮驱动，AI终于开始用人类的视角丈量世界——从识别物体到理解空间，这场感知革命才刚刚开始。这种边看边画、边画边想的交互模式，模拟了人类解决空间问题时用草图辅助思考的本能行为，显著提升了时空信息的保留效率。
博客
特斯拉纯视觉Robotaxi突袭奥斯汀：9年磨剑，首战公共道路
06-23 395
当方向盘后的控制权逐渐交还给算法，我们正在见证的不仅是技术迭代，更是文明形态的跃迁。在这场没有硝烟的战争中，马斯克用十年时间画下的"饼"，正在变成改变世界的现实图景。而更深远的影响在于，若自动驾驶成为未来主要出行方式之一，一个覆盖出行、能源、娱乐的闭环生态可能将彻底改变城市交通格局，并重塑出行市场的经济模型。在自动驾驶技术屡遭寒冬的行业里，特斯拉用一场近乎"史诗级长跑"的坚持，将无人驾驶出租车从科幻概念推向现实，更将。在马斯克的蓝图中，Robotaxi不是简单的移动工具，而是移动生活空间的延伸。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值