ERNIE 5.5 Flash Preview 想挑战你最艰难的任务：十一小时构建究竟证明了什么

ERNIE 5.5 Flash Preview 于 2026 年 11 月 10 日作为计费端点上线百度千帆平台，官方发布文章于 11 月 11 日跟进，只提出一个核心主张：把最难的任务交给它。这一主张最依赖的是一项产物——一个第三人称 Unreal Engine 5.8 游戏，百度称其是在单次十一小时的编码任务中构建的——以及百度用自选评审在其自有测试框架上跑出的二十行基准结果。无论是这十一个小时，还是这二十个数字，都未在公司外部得到复现。有趣的问题不在于这个演示是否令人印象深刻，而在于一次长达十一小时的智能体运行究竟是不是值得衡量的东西，以及规格表对你为此要付的账单说明了什么。该目录收录了来自 17 家提供商的 228 个模型，并且在来自 17 家提供商的 228 个模型目录中，没有 ERNIE 条目因此，尽管研究对象并不在其中，对比组却仅一键之遥。

这个说法讲的是时长，而不是难度。

每个模型发布帖都会说该模型擅长处理困难的事。这一篇对“困难”的定义不同：它把困难定义为“长”。游戏构建、3D 场景、包含数千个文件的工作区，以及那段 116 秒的动画短片，都是在数小时的编辑和工具调用中让一项计划保持连贯的练习，而不是在回答一个更小的模型会答错的问题。

这种区别很重要，因为这两种能力并不总是一回事。一个模型可以非常擅长单轮推理，却在重构进行到第四个小时时崩溃——那时上下文里全是它自己先前的错误，计划需要修订而不是执行。一个模型也可能在一次性解谜上表现平平，却仍然是通宵构建的合适选择。百度在押注，你关心的是第二件事。

整篇帖子中最有用的一句话并不是某个基准测试。而是在游戏开发部分，描述模型在无法看见的情况下如何工作：由于它只处理文本，无法查看屏幕，它将游戏测试中发现的缺陷——角色悬浮在地面上方、奔跑方向不一致、摄像机位置错位——转化为代码中可衡量的测试。这是对一种变通方法的坦率描述，它告诉你一些规格表不会说明的东西。模型在视觉工作上的能力被委托给它自己编写的工具，这意味着结果的质量取决于它能否为它看不见的东西发明出可验证的测试。

这条 Reel 实际包含的内容

这四个案例研究值得列出，因为它们比通常的发布宣传文案更为具体，而正是这种具体性使它们在原则上可以被核查。

• 游戏开发——一款基于 Unreal Engine 5.8 的第三人称游戏，在单个为期十一个小时的任务中构建完成，将来自多个引擎世代的资产合并到一个项目中，并用 C++ 编写游戏；另外，还有近百款移动端小游戏，根据设计文档在 Cocos、Unity、LayaAir、PixiJS 和 Canvas 2D 上生成，其中大多数将其规则构建为确定性模拟，以便机器人试玩和状态空间搜索能够证明每个关卡都可通关。

• 3D 建模——两个智能体通过 Blender Python API 建造了一架波音 747 和北京大兴机场，一个负责机场，一个负责飞机，随后统一比例、布光，用 Cycles 和 OptiX 逐帧渲染，并用 FFmpeg 剪辑；法隆寺寺院建筑群经研究后逐步搭建完成；一段横跨四个 Blender 场景、约 2,100 个对象、182 万个三角面的预演序列；以及通过 Python 脚本在 FreeCAD 中建模的 W16 发动机、两座深圳塔楼和一辆月球车。

• 知识工作——一份关于数据中心电力成本的20页研究报告、一份基于4,169份联邦交通事故报告的24页自动驾驶分析、一个包含1,000条路径蒙特卡洛模拟的交互式财富规划工作簿，以及一首以WAV文件形式交付的6分34秒管弦乐曲。

• 视频 — 超过 150,000 个创作环境和约 5,300 分钟的成品视频，领衔之作是一部 116 秒的 2D 动画短片，该短片用超过 10,000 行 Python 编写，让一只参数化的鹈鹕穿越 20 种艺术风格。

知识工作部分背后的训练数字是文中最大的数字：30 万个工作区，涵盖 40 多种文件类型，容纳 1000 万个参考文件。这说明了该模型被训练成能够应对什么，而这正是基准测试表完全无法表达的那部分论点。

这二十行，重点解读它们关于长跑所说明的内容

附录是一张单独的图片，这意味着其中的数字无法复制、排序，也无法与电子表格进行核对。从那张图片上读出的 ERNIE 列如下，全部由供应商报告且未经复现：

• 智能体编程——Terminal-Bench 4.0 达到 46.5，DeepSWE v1.1 达到 71.2，ProgramBench（几乎已解决）达到 29.5，NL2Repo-Bench 达到 64.8，Terminal-Bench-Science 0.1 达到 21.0。

• 计算机使用与自动化 — CookieBench 为 88.2，AutomationBench 为 61.9，APEX-Agents 1.1 为 64.2，DRACO 为 84.9。

• 知识工作 — SpreadsheetBench V2 为 36.4，OfficeQA Pro V2 为 67.9，Agents' Last Exam（CLI）为 29.0，SkillsBench 1.1 纯文本为 73.5。

• 通用智能体与工具使用——Toolathlon-Verified 为 79.0，MCP-Atlas 为 84.6，BrowseComp 为 87.4。

• 推理 — 不使用工具的 HLE 为 46.4，AA-Omniscience-Public 为 25.2，AA-LCR v1.1 为 79.0。

• 3D — BlenderWorld 纯文本版，79.0。

这张表如果当作一张“还有什么仍然失败”的地图来读，会比当作记分牌有用得多。有四行低于 40：ProgramBench 为 29.5，命令行上的 Agents' Last Exam 为 29.0，AA-Omniscience-Public 为 25.2，Terminal-Bench-Science 为 21.0。这些都不是温和的基准。Agents' Last Exam 的设计目标就是接近智能体能够自主完成任务的极限；omniscience 会惩罚自信的错误答案；Terminal-Bench-Science 测试的是实验室级任务，在这些任务里，看起来合理的流程毫无价值。一个想要处理你最困难任务的模型，在最难智能体基准的科学变体上得分 21.0，这正是在告诉你当前的天花板在哪里。SpreadsheetBench V2 的 36.4 分对电子表格工作 specifically 也说明了类似的问题，而这一点与发布文章中的 1,000 路径蒙特卡洛工作簿放在一起显得颇为尴尬。

80 以上的几行同样具有启发性，只是原因不同。BrowseComp 的 87.4、MCP-Atlas 的 84.6、CookieBench 的 88.2 和 DRACO 的 84.9，这些任务都是根据已完成且可核查的最终状态来给模型评分，而不是根据答案来评分。这种模式——在可验证的完成情况上表现强，在开放式科学判断上表现弱——正是你会从一个在 30 万个装满文件的工作区上训练出来的模型身上所预期的，而这些文件要么能构建成功，要么不能。

脚注承载着坦诚。每项基准测试都在具名的测试框架上运行，Claude Code 2.1.x、mini-swe-agent 2.4.6、Codex 0.162.1 以及缩写为 DSH 的某个东西都出现了，评判模型则是 Qwen3.8-Max、DeepSeek-V4.1-Flash-1017 和 Gemini 3.1 Flash-Lite。有一条脚注承认，GLM-5.3 和本模型缺乏原生多模态能力，图像理解是通过一个由 Claude Opus 5.5 驱动的工具提供的。因此，至少部分依赖视觉的行所衡量的测试框架中，ERNIE 5.5 Flash Preview 会调用竞争对手的模型来观察事物。这是一个合理的工程选择，却也是出现在记分牌上的一件怪事。

以 AA 为前缀的两行需要单独说明。AA-Omniscience-Public 和 AA-LCR v1.1 是由独立追踪机构 Artificial Analysis 发布的基准测试，但这两项是百度自行运行的结果。截至 11 月 11 日，Artificial Analysis 排行榜上没有 ERNIE 5.5 这一行，因此无法为这两个单元格中的任何一个提供独立数字进行对照。

持续运行十一小时要付出什么代价，以及百度没有说的事

端点文档是本次发布中将演示转化为工程决策的部分。Qianfan 列出 ERNIE 5.5 Flash Preview 的价格为每百万输入 token 0.28 美元、每百万输出 token 1.13 美元，缓存读取为 0.028 美元，上下文窗口为 1,024,000 个 token，输出上限为 921,600 个 token，并且推理始终以单一高强度级别开启，无法将其关闭。

那个输出上限正是单次长时间运行之所以在机制上可行的原因：模型能够生成的 token 数量几乎与其整个上下文窗口所能容纳的一样多。这也是账单不那么显而易见的原因。提示词按输出费率的四分之一计价，但模型思考的一切都按输出费率计费，而一个无法停止思考的模型，其每项任务成本会被没人阅读的 token 所主导。

对一次最大单次调用做算术，这是现有最有利的情况。按输入费率填满 1,024,000 token 的窗口约需 0.29 美元。输出完整的 921,600 token 上限约需 1.04 美元。也就是说，一次同时耗尽两个上限的调用大约要 1.33 美元。那个长达十一小时的 Unreal 构建很可能并没有这么做，而发布帖也没有说明它消耗了多少 token、分成了多少次调用，或成本是多少。在有人在自己的工作负载上测量每个已完成任务的输出 token 数之前，任何关于这个模型在困难任务上是便宜还是昂贵的说法，都只是价目表之间的比较，而不是结果之间的比较。

这次发布仍欠你两样东西

文章最后称 ERNIE 5.5 Flash Preview 是“后训练阶段的中间检查点”，并承认训练尚未完成，部分能力可能仍未达标。文章还承诺权重将很快以 Apache 2.0 协议开源，但没有给出日期；截至 11 月 11 日，Hugging Face 上还没有该预览版的仓库——那里发布的唯一 ERNIE 5.5 相关产物是基础检查点及其 BF16 变体。整个发布内容中既没有模型卡，也没有知识截止日期，还没有任何延迟数据。

所以，对“给它你最艰难的任务”这一说法的诚实总结，比这句口号要更狭窄。ERNIE 5.5 Flash Preview 是一个纯文本模型，拥有非常大的上下文、异常大的输出额度，在最终产出构建产物的任务上表现强劲，在最终需要科学判断的任务上表现较弱，而且没有任何独立验证。这是一个真实且具体的画像。它也是一个很可能被下一个检查点覆盖的画像。

如何在不为其押上一条路径的情况下测试该配置文件

百度通过自家的千帆 API 以及转售该模型的第三方平台提供此模型。OrcaRouter 并不路由 ERNIE 5.5 Flash Preview——在来自 17 家提供商的 228 个模型目录中没有任何 ERNIE 条目，其背后也没有百度端点——因此此处的任何内容都不应被解读为提供该模型服务的要约。

在这种情况下，目录的用处正是实验的另一半。用来与这个模型对比的模型可通过一个密钥按供应商标价访问，且无加价，这意味着你可以用它们运行同样的困难任务，并比较完成率，而不是已公布的分数。自动故障转移承担第二项工作：一个没有正常运行时间历史的预览版，永远不必成为唯一支撑请求路径的东西，因为当它在第三个小时卡住时，路由回退方案可以接管调用。

本周值得做的那项评测并不大。拿十个你自己的长周期 agent 任务——那些你通常不会放心交给单次无人值守运行的任务——让每一个都分别跑一遍 ERNIE 5.5 Flash Preview，以及两个你本来就信任的模型。记录它是否完成、消耗了多少输出 token，以及花了多少钱。这样就能得出百度略去的那两个数字：每个任务的 token 消耗量，以及每个已完成任务的成本。发布文章里的其他一切，包括那个 46.5，也包括那十一个小时，都不过是别人家的 harness 在别人家的机器上跑出来的结果。

真正能定论的不是又一段演示短片，而是 Apache 2.0 发布的具体日期、一份注明知识截止日期的模型卡、一行由 Artificial Analysis 制作的 Artificial Analysis 数据，以及第二个检查点——其数值可以与这一个进行对照。Baidu 已经发布了它本应随该端点一同发布的那套叙事。它接下来欠那些刚被它邀请交出其最困难任务的人的，是一份能让他们不必再仅凭它的一面之词来判断这些最难任务结果如何的产物。