ERNIE 5.5 Flash Preview 终于有了发布帖、二十项基准测试和权重承诺

Terminal-Bench 4.0 上的 46.5 分，是百度有史以来首次为 ERNIE 5.5 Flash Preview 公布的分数，而它发布于 2026 年 11 月 11 日——就在该模型本身于 Qianfan 上线为计费端点、附有价目表却完全没有文档的一天之后。承载这一数字的发布帖是关于该模型的第一份官方声明，它回答了该端点无法回答的三个问题：它是什么（总参数 2800 亿、激活参数 140 亿、100 万 token 上下文，基于 11 月 5 日的 ERNIE 5.5 Flash Base 检查点进行后训练），百度称它对比如何（二十行基准测试结果，与 GPT-6.1 Sol、Claude Opus 5.5、GLM-5.3、GLM-5.3-Flash、DeepSeek-V4.1-Flash-1017 以及一个仅列为 Hy4 的模型并列），以及你究竟能否自己运行它（权重“将很快在 Apache 2.0 下开源”）。那张表中的每一个数字均为厂商报告，是在百度自己的测试框架上、使用百度选择的评判模型得出的，且其中没有任何一项在公司外部得到复现。 基准测试组是这一对比中你真正能控制的部分。供应商目录价，0% 加价 GPT-6.1 Sol、Claude Opus 5.5、GLM-5.3 和 DeepSeek V4.1 Flash 以供应商目录价共用一个密钥，OrcaRouter 费用显示为 $0.00。

百度在页面上放了什么

这篇帖子被组织成一段演示集锦，外加一个基准测试附录，这透露出百度认为核心论点是什么。四个能力部分——游戏开发、3D 建模与设计、知识工作、视频创作——每一部分都由模型在智能体运行框架内端到端产出的成果构成，外部素材和工具则逐项注明出处。规格参数出现在开头段落，此后再未提及：总参数 280B、激活参数 14B、1M token 上下文、API 上线 Qianfan、权重承诺以 Apache 2.0 发布。没有模型卡，没有知识截止日期，没有延迟数据，没有定价，也没有说明模型每个任务会输出多少推理 token。

帖子中有两句话比其他所有内容加起来都更重要。第一句位于游戏开发部分，描述 Unreal Engine 5.8 项目：“由于它是纯文本模型，无法看到屏幕，它就把试玩中发现的问题——例如角色悬浮在地面上方、奔跑方向不一致以及摄像机位置错放——转化为代码中可测量的测试。”这是对一个变通方案异常坦率的描述——该模型之所以编写测试，是因为它无法查看游戏——而且这是迄今为止最清晰的表述，说明这是一个文本输入、文本输出的系统，其视觉能力被委托给工具链。

第二点是结尾段落：ERNIE 5.5 Flash Preview“是后训练阶段的一个中间检查点。它已经能与同等规模的模型竞争，但由于训练尚未完成，某些能力可能仍然不足。”一篇告诉你发布尚未完成的发布文章，比一篇不这么说的更有价值，而且它重新诠释了上文的一切。你读到的不是产品公告。你读到的是一份附有记分板的进度报告，发布出来是为了让用户在正式发布前反馈。

这二十个基准行，请仔细阅读

附录中的表格是一张图片，这本身就是一个小小的破绽：数字无法被复制、排序，也无法与电子表格进行核对。从图片上读取，ERNIE 一列的数据如下，全部由百度报告，且均未被复现：

• 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——无工具条件下 HLE 为 46.4，并带有脚注标记；AA-Omniscience-Public 为 25.2，AA-LCR v1.1 为 79.0。

• 3D — BlenderWorld 纯文本为 79.0，这是唯一直接对应正文中 CAD 和 Blender 相关说法的一行。

脚注才是诚实所在，值得在任何单元格之前先读。每个基准测试都在一个具名 harness 上运行——Claude Code 2.1.x、mini-swe-agent 2.4.6、Codex 0.162.1 以及一个缩写为 DSH 的东西都出现了——裁判模型则是 Qwen3.8-Max、DeepSeek-V4.1-Flash-1017 和 Gemini 3.1 Flash-Lite。有一条脚注承认，“GLM-5.3 和我们的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。”换句话说，至少部分依赖视觉的基准测试，是由 ERNIE 5.5 Flash Preview 驱动一个调用竞争对手模型的工具完成的。这是一个合理的工程选择，也是在记分板上发现时会让人觉得真正奇怪的事，并且这意味着那些涉及查看任何内容的行衡量的是整个 harness，而不只是模型本身。

带有 AA 前缀的那两行值得单独说明。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——但这两项是百度自己运行的结果，而非 Artificial Analysis 的运行结果。截至 11 月 11 日，Artificial Analysis 排行榜上并没有 ERNIE 5.5 这一行，因此没有任何独立数据可与这两个单元格中的数字进行对照。

演示样片才是真正的论据

如果基准测试表是被引用的部分，那么四个案例研究就是难以伪造的部分，因为它们描述的是工作成果而非分数。这些细节足够具体，原则上可以核查，也足够实在，在你决定要让这个模型去处理什么时会很有用。

• 游戏开发——在一个为期 11 小时的编码任务中构建的一款第三人称 Unreal Engine 5.8 游戏，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 100 款根据设计文档在 Cocos、Unity、LayaAir、PixiJS 和 Canvas 2D 上生成的移动端小游戏，其中大多数将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验证每一关都可通关。

• 三维建模——由两个智能体通过 Blender Python API 建造的一架波音 747 和北京大兴机场，其中一个负责机场，另一个负责飞机，随后按比例匹配、布光，用 Cycles 和 OptiX 逐帧渲染，并用 FFmpeg 剪辑；对法隆寺寺院建筑群进行研究并逐步建造；一个跨越四个 Blender 场景、包含约 2,100 个对象和 182 万个三角面的预演序列；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份联邦碰撞报告构建的24页自动驾驶分析，一个带有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格式交付的6分34秒管弦乐作品。这背后的训练故事是文中最大的数字：30万个工作区，涵盖超过40种文件类型，共容纳1,000万份参考文件。

• 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。

这些例子的共同点是：它们都不是聊天交互。每一个都是带有工具调用的长时间智能体运行，而所要说明的主张关乎耐力——模型能否在数小时的编辑中始终维持一个计划不散。这恰恰是二十行基准表最不擅长衡量的属性，也是这篇文章以产物开篇的原因。

发布公告与端点不一致之处

帖子描述的模型与 Qianfan 规格表描述的模型，明显是同一个系统，只不过来自两个没有对过口径的部门。该端点于 11 月 10 日上线，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，上下文为 1,024,000 token，输出上限为 921,600 token，强制推理且仅有一个高强度档位，并且没有模型卡。一天后发布的发布帖重申了上下文窗口，完全避谈价格，对强制推理只字未提，还提供了相当于模型卡分量的定位说明，却没有提供模型卡本身。

实际后果是，这个故事的两半必须放在一起读，否则就干脆别读。帖子告诉你，该模型能够承载长达十一小时的编程任务；而端点则告诉你，它所思考的一切都按输出费率计费，而且你无法关闭思考。一次耗费数小时反复迭代的运行，就是一次会输出海量 token 的运行；按每百万 1.13 美元计算，这段演示集锦的成本是帖子从未提出的问题。除非有人在自己的工作负载上测量每完成一个任务所消耗的输出 token，否则将这个模型与更便宜的模型进行任何比较，都只是在比较价目表。

还缺少什么，而且这可不是小事

有三处缺失构成了 ERNIE 5.5 Flash Preview 的现状，而每一处都将在不同的时间尺度上得到解决。

• 权重。该帖承诺“很快”会采用 Apache 2.0，但没有给出日期；截至 11 月 11 日，Hugging Face 上还没有预览仓库——那里发布的唯一 ERNIE 5.5 产物是 ERNIE-5.5-Flash-Base 及其 BF16 变体，两者均创建于 10 月 21 日。基础检查点依据 ERNIE 5.5 Flash Base 许可证发布，这是一项受限的社区许可证，不包括欧盟、英国和韩国，按相关年收入限制免费商业使用，并要求注明“Powered by ERNIE”。如果预览版权重真的以 Apache 2.0 发布，那将意味着该系列的许可证条款发生变化，其意义远大于任何基准测试行。

• 独立评分。本次发布中没有任何内容由 Baidu 以外的任何人运行过。名称中带有 AA 的基准测试才是值得关注的，因为 Artificial Analysis 会运行自己的测试框架，并且如果其添加了该模型，就会发布一行可比较的数据；在此之前，那二十个单元格只是一个声明，而不是一项测量。

• 完成版模型。Baidu 表示，后训练仍在进行中，正式发布版将比预览版有所改进。这是一个明确的表态：今天的数据是有有效期的；这也使得任何基于此检查点进行构建的决定，都变成了针对一个不断变化的目标作决定。

如何在不把生产路径押在它上面的情况下评估它

接入需通过百度自有的千帆 API，或通过转售该服务的第三方平台。OrcaRouter 不路由 ERNIE 5.5 Flash Preview——在我们 200 多个模型的目录中没有 ERNIE 条目，其背后也没有百度端点，因此不应将此处任何内容解读为提供该模型服务的要约。

在这种情况下，这个目录的用处在于对照的另一边：拿来与它做基准测试的模型，全都可以通过一个兼容 OpenAI 的密钥按提供商标价、以 0% 加价访问，这让你可以自己用同样的二十项任务分别跑一遍 GPT-6.1 Sol、Claude Opus 5.5、GLM-5.3 和 DeepSeek V4.1 Flash，看看百度的排序在接触你的提示词之后是否依然成立。自动故障转移承担第二项工作——一个没有可用性历史记录的预览版，永远不必成为支撑请求链路的唯一依靠，因为当它卡住时，经路由的回退可以接手调用。

本周值得运行的评估范围窄、成本低。拿十个你自己长期运行的智能体任务，把每个任务分别在预览版和你已经信任的两个模型上跑一遍，并为每个任务记录三件事：是否完成、消耗了多少输出 token，以及花了多少钱。这样你就能得到百度没有公布的两个数字——每个任务的 token 数和每个已完成任务的成本——并以你自己选择的基线为参照。发布文章里的其他所有内容，包括 46.5，都是别人家的评测框架。

能一锤定音的不是又一场演示，而是 Apache 2.0 发布的具体日期、一份包含知识截止日期和评估表的模型卡、一个由 Artificial Analysis 自己生成的 Artificial Analysis 榜单条目，以及第二个可与这一版数据相比较的检查点。百度如今发布了它本应在11月10日发布的那篇内容。它接下来欠用户的，是一个能让他们不再只凭其一面之词相信榜单成绩的可核验产物。