一张生成的主视觉卡片写着“Base 对 Base”,上面有两个检查点磁贴:“Hy4 flash-Base”列出“总计 220B / 激活 12B / 1M 上下文 / 发布于 2026年11月17日”,以及“ERNIE 5.5 Flash Base”列出“总计 280B / 激活 14B / 128K 训练 / 发布于 2026年11月5日”,另有一个页脚写着“两张基准测试表均由厂商自报。两者都没有独立评分。”
Guides & Insights

Hy4 flash-Base 与 ERNIE 5.5 Flash Base:任一厂商发布过的唯一公平对比

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

两家中国实验室相隔十二天发布了预训练检查点,而这一次,对比表简直不言自明:Hy4 flash-Base 对比 ERNIE 5.5 Flash Base,二者是流水线同一阶段、同一类产物,并以相同方式评估。腾讯于 2026 年 11 月 17 日随指令模型一同发布了 Hy4 flash-Base。百度于 2026 年 11 月 5 日发布了 ERNIE 5.5 Flash Base,而在撰写本文时,它仍是唯一存在的 ERNIE 5.5 产物——经过后训练的聊天模型尚未发布。

checkpoint 周边内容的这种差异,正是让这场对比值得写上一整页的主要原因。比较这两个基座模型,能让你看出预训练进行得如何。比较这两个发布版本,则会告诉你一些对两家公司都不太光彩的事:一家公司在同一天发布了原材料和成品,另一家则发布了原材料和一个承诺。

为什么基础检查点才是诚实的比较

你读到的几乎所有模型对比都暗含不公,因为它们都是把一个厂商已完成指令微调的模型,与另一个厂商已完成指令微调的模型进行对比,而且各自在本方的测试框架和基线上评估。基础检查点消除了其中一个变量。两个模型都未经过后训练,都没有会塑造输出格式的聊天模板,而且两家厂商发布的是标准学术基准上的少样本结果表,而不是定制的智能体评测套件。

剩下的部分——测试框架、样本数、子集——仍然各自是厂商自己的设定,所以这里的任何内容都算不上受控实验。但基座对基座的对比表比较的是预训练运行,而预训练正是最昂贵的环节。就这两家公司彼此公布过的数据而言,这已经是最接近同等条件对比的数字了。

两个复选框并排显示

• 参数 — Hy4 flash-Base 总参数 220.3B,每 token 激活 12B;ERNIE 5.5 Flash Base 总参数 280B,每 token 激活 14B。

• 参数分布在哪里——Hy4 flash-Base 在 42 层主干中包含 155.5B,在 Engram n-gram 嵌入表中包含 63.5B,在视觉编码器中包含 0.43B,在 DFly2 草稿模型中包含 0.85B;ERNIE 的 280B 则是更传统的 MoE 分布,另有一个 0.36B 的 ECHO 模块不计入主要统计数字。

深度与路由——Hy4 flash-Base 采用 42 层(1 层稠密、41 层 MoE),包含 512 个路由专家外加 1 个共享专家,激活 16 个,隐藏维度为 3,072;ERNIE 采用 43 层(1 层稠密、42 层 Multi-Router Latent MoE),包含 512 个路由专家外加 1 个共享专家,top-10,隐藏维度为 4,096。

• 上下文——两者均配置为 1,048,576 个 token。腾讯直接在该长度上训练了 Hy4 flash;百度则在 128,000 长度上训练 ERNIE,并将发布配置设为 1,048,576,用于微调和推理;这属于配置所具备的能力,而不是实测行为。

• 模态——两者均支持文本和图像输入、文本输出。Hy4 flash-Base 搭载基于 SigLIP2 的视觉编码器;ERNIE 5.5 Flash Base 的模型卡片在模型链接表中仅描述了文本输入。

• 许可证——Tencent Hy License v1.0,是 Apache 2.0 的衍生许可证,含有一项 MaaS 条款,触发条件为收入达到 5000 万美元或 MAU 达到 1 亿;ERNIE 5.5 Flash Base Model License v1.0,该许可证完全将欧盟、英国和韩国排除在适用地域之外。

许可证那一行不是脚注。欧洲团队在其资助协议下完全不能使用 ERNIE 检查点,再多基准测试优势也改变不了这一点。任何规模的团队都可以使用 Hy4 flash-Base,而 MaaS 收入超过 5000 万美元的团队在使用前需要先发一封电子邮件。

Baidu 的表格说明了什么,以及相信它需要付出什么代价

百度的对比集对于基础版发布而言是合适的选择:ERNIE 5.5 Flash Base 对标 DeepSeek-V4-Flash-Base、Hy3-preview-Base 和 MiMo-V2.5-Base,且模型卡称四者共用同一套流水线。下文所有数字均由百度方面报告,未经复现。

• MMLU — 93.3 ERNIE、89.4 DeepSeek-V4-Flash-Base、87.5 Hy3-preview-Base、87.6 MiMo-V2.5-Base。

• MMLU-Pro — 78.4 对 69.2、66.9 和 65.7。这是该组中最大的差距。

• GPQA — 60.2,对比 55.9、50.2 和 51.4。

• HumanEval+ — 82.3,相较 69.5、78.0 和 74.4。

• LiveCodeBench — 40.1,相较 31.9、33.5 和 32.4。

• LongBench-v2 — 48.7,对比 44.5、39.8 和 44.6。

BBH 配合思维链——89.2,对比 Hy3-preview-Base 的 90.0 和 MiMo-V2.5-Base 的 89.8。三者差距在噪声范围内,堪称平局,无论加粗格式暗示了什么。

• ChineseSimpleQA — 73.0,而 DeepSeek 为 75.3。这是一场失利,而且是在最接近 Baidu 本土市场的基准测试上。

这张表缺少了几行,因此它读起来像是有人搭建出来的表格,而不是有人挑选出来的表格。注意其中缺少了什么:Hy4 flash-Base。腾讯的检查点在11月5日尚不存在,所以在此次比较中,这两个模型之间从未有任何直接对照行被任何人发表过。

腾讯的表格说了什么,包括免责声明

腾讯的基表是五路的——Hy4 flash-Base、Hy4 Base、Hy3 preview Base、DeepSeek-V4-flash-Base 和 DeepSeek-V4-Pro-Base——而且它也会丢行。厂商报告、未经复现:

• {{1}}MMLU-Pro{{/1}} — {{2}}Hy4 flash-Base{{/2}} 为 71.1,而 {{3}}Hy4 Base{{/3}} 为 73.9,{{4}}Hy3 preview Base{{/4}} 为 65.8,{{5}}DeepSeek-V4-flash-Base{{/5}} 为 68.6,{{6}}DeepSeek-V4-Pro-Base{{/6}} 为 73.4。

• SimpleQA — 37.5,对比 57.2、26.4、31.3 和 52.1。这是该评测卡上最大的差距。

• C-Eval — 92.0,对比 95.0、90.1、91.9 和 93.4。

• CMMLU — 91.6,相比 93.1、89.6、89.8 和 90.7。

• AGIEval Chinese — 90.6,对比 91.2、87.8、88.5 和 89.8。

• Belebele — 93.8,对比 95.0、94.2、94.4 和 95.2。

• INCLUDE — 82.8,对比 88.1、84.3、84.0 和 84.3。

• MMMU-Pro — 52.0,而 Hy4 Base 为 59.6。多模态行仅存在于两个 Hy 模型中。

整体来看:Hy4 flash-Base 是一款比同系列其他模型更小、更便宜的模型,在大多数行上都落后于它们,而这正是一个 12B 激活参数模型面对 49B 激活参数模型时应有的表现。有意思的是多语言那几行:它仅比大得多的模型低一两个百分点;以及 SimpleQA,它比 Hy4 Base 落后二十分——这一事实检索差距说明,这种能力在多大程度上取决于参数规模,而非训练数据。

Tencent 还主动提出了一个 Baidu 的模型卡没有提及的注意事项:由于基础模型在中期训练阶段接触了大量合成指令数据,它“在少样本评估中偶尔无法遵循预期的答案格式,这可能会使分数失真”。一家厂商主动告诉你,它自己的评估工具可能衡量的是格式合规性,这种情况足够罕见,值得专门写这一句。

A generated reference card headed 'Two tables, one shared row', with eight benchmark rows for ERNIE 5.5 Flash Base beside eight for Hy4 flash-Base and only the MMLU-Pro pair joined by a connector labelled '78.4 vs 71.1 — the only common row'.

这两个表格不能相互叠放。

这个对比里有个陷阱,值得直白讲清楚,因为互联网上大多数人不会这么做。两家厂商都公布了 MMLU-Pro 成绩。百度报告 ERNIE 5.5 Flash Base 为 78.4。腾讯报告 Hy4 flash-Base 为 71.1。人们很容易想直接相减,然后宣称百度领先 7.3 个百分点。但这个减法站不住脚。

不同的 shot 数、不同的提示格式,而且在 Hy4 flash-Base 的情况下,还有一个已承认的格式遵循问题,这可能压低宏平均分数。两张表中唯一一个具有共同定义的数值——五语言子集上的 Belebele——在 Hy4 flash-Base 中显示为 93.8,而在 Baidu 的表中根本不存在。没有足够严格的重叠可供相减。

你能说的范围更窄,但仍然有用:每家厂商的检查点,在大多数行上,都以它们各自测试框架产出的差距,胜过它们各自选择的第三方 DeepSeek 基线。两个大致独立的说法指向同一方向,这比其中任何一个单独来看都更有力,但比共享基准要弱。这就是这两张卡所能支撑的诚实上限。

Screenshot of the Hugging Face model card for tencent/Hy4-flash-Base, showing the release line, the model-links table and the benchmark table with its synthetic-data format-compliance disclaimer.

一个版本已完成;另一个仍是承诺

这种不对称比上面任何一行都更重要,而且它无关基准质量。

腾讯于11月17日发布了三项成果:指令模型、其 FP8 构建版本以及基础检查点。如今想要聊天模型的团队可以下载一个,使用固定版本的 vllm/vllm-openai:hy4-flash 镜像在 vLLM 中加载并对外提供服务。基础检查点则供希望进行微调的人使用,而模型卡则指向一份微调指南。

百度于11月5日发布了一项成果。ERNIE 5.5 Flash Base 是预训练权重。没有可下载的指令微调版 ERNIE 5.5 Flash,发布材料中也没有以该名称记录的任何 API 端点,而模型卡仅将后训练模型描述为“理应随后推出”的东西。今天下载 ERNIE 5.5 Flash Base 的团队,等于承诺要自己在 280B 权重上完成后训练,之后才能得到一个能以可用格式回答问题的模型。

对于研究团队来说,这恰恰就是那个有趣的产物。对于产品团队来说,它不是一个模型,而是一个附带无上限工作量的起点,并且正确的比较对象不是 {{1}}Hy4 flash-Base{{/1}},而是 {{2}}Hy4 flash{{/2}}——后者按 token 收费,而且现在就能用。

Screenshot of Baidu's ERNIE 5.5 Flash Base model card, showing the base-checkpoint benchmark table against DeepSeek-V4-Flash-Base, Hy3-preview-Base and MiMo-V2.5-Base.

路由器如何融入基础检查点决策

路由器提供的并不是基础检查点,若暗示相反,那就不诚实。OrcaRouter 既不提供 Hy4 flash-Base,也不提供 ERNIE 5.5 Flash Base,而且目前产品目录中也没有两家厂商任何一家的 instruct 模型。产品目录确实收录的是 tencent/hy4-preview——Hy4 flash 蒸馏自的 770B/49B 模型——每百万输入 token 0.834 美元、每百万输出 token 2.501 美元,缓存读取为 0.042 美元。

这关系到一项具体决策。如果你正在权衡是否要微调一个 220B 基础检查点,第一个问题是该系列模型的行为到底是否适合你的任务,而预览模型用一个下午就能回答这个问题,代价只是你测试时所消耗的 token 费用。在为一个张量并行 FP8 部署配置八块 GPU 之前先做这件事,是整个项目中成本最低的一步。供应商目录价按 0% 加价透传,因此 Tencent 的价格变动当天就会进入目录,而不是等到下一次重建,并且自动故障转移意味着评估任务不会中断,因为某个上游出了一小时故障。

如果微调奏效,你就拥有了权重,路由器也不再属于那条路径的一部分。如果微调不奏效,你只是花了一个下午而不是一个季度来弄清楚这一点。

如何解读这场对阵

如果你想找一个能实际干活的模型,那这一页就找错了:Hy4 flash 是已经完成的模型,而 ERNIE 5.5 Flash 还没有成品。如果你想找一个可以在此基础上继续构建的预训练基座,那么这两个候选之间的差距,比营销宣传所暗示的要小,却比简单相减基准分数所能显示的要大。

ERNIE 5.5 Flash Base 规模更大、训练时间更长——在 Muon 优化器上训练了 33.5 万亿个 token——并且在其自家评测框架上报告了更高的分数,其中包括一个对比卡上任何腾讯模型都无法匹敌的 MMLU-Pro 数值。Hy4 flash-Base 规模更小,以 120 亿激活参数提供服务时成本更低,原生支持多模态,配备视觉编码器和投机解码草稿模型,并且其许可证不排除三个司法管辖区。

决定性因素很可能既不是能力,也不是许可,而是两者之间的十二天。百度的检查点已经给微调社区留下了近两周时间来做出成果;Hy4 flash-Base 则只有一周。留意是否会出现经过指令微调的 ERNIE 5.5 Flash,也留意是否有人为 Hy4 flash-Base 发布 LoRA。前者会让这成为一次真正的比较,而且很可能随后会有共享基准;后者则会告诉你,从业者实际上更偏爱哪个基础模型。

本文中的对比1

根据本文内容识别