ERNIE 5.5 Flash Preview 終於發布文章，帶來二十項基準測試與權重承諾

ERNIE 5.5 Flash Preview 在 Terminal-Bench 4.0 上拿下 46.5 分，這是百度歷來為該模型公布的第一個分數，發布日期是 2026 年 11 月 11 日——就在模型本身以計費端點形式登上千帆的隔天；當時它只有價目表，完全沒有文件。承載這個數字的發布文章是關於該模型的第一份官方聲明，也回答了該端點無法回答的三個問題：它是什麼（總參數 2800 億、活躍參數 140 億、100 萬 token 上下文，並以 11 月 5 日的 ERNIE 5.5 Flash Base 檢查點進行後訓練）、百度說它相比如何（二十列基準測試結果與 GPT-6.1 Sol、Claude Opus 5.5、GLM-5.3、GLM-5.3-Flash、DeepSeek-V4.1-Flash-1017 以及一個僅以 Hy4 列名的模型並列），以及你究竟能否自行運行它（權重「很快將在 Apache 2.0 下開源」）。表中每個數字都是廠商自行報告，在百度自家的測試框架上、使用百度挑選的評審模型產生，且沒有任何一項在公司外部被重現。 基準測試組是這項比較中你真正能控制的部分。 供應商定價，0% 加價 GPT-6.1 Sol、Claude Opus 5.5、GLM-5.3 與 DeepSeek V4.1 Flash 以供應商定價共用同一把金鑰，OrcaRouter 費用顯示為 $0.00。

百度在頁面上放了什麼

這篇文章的結構像是一支展示 reel，外加一份基準測試附錄，這透露出 Baidu 認為論證的重點是什麼。四個能力章節——遊戲開發、3D 建模與設計、知識工作、影片創作——每一節都由模型在代理執行框架內端到端產出的成品構成，外部素材與工具則逐項標註來源。規格只出現在開頭段落，之後不再重提：總參數 280B、活化參數 14B、1M token 上下文、Qianfan 上的 API、權重承諾以 Apache 2.0 釋出。文中沒有模型卡、沒有知識截止時間、沒有延遲數據、沒有定價，也沒有說明模型每項任務會輸出多少推理 token。

貼文中有兩句話，比其餘內容加起來還重要。第一句在遊戲開發章節，描述 Unreal Engine 5.8 專案：「因為它是純文字模型，看不到螢幕，所以它把遊玩測試中發現的問題——例如角色懸浮在地面上方、奔跑方向不一致，以及鏡頭位置錯置——轉化成程式碼中可量測的測試。」這是對一種變通做法異常坦白的描述——模型之所以寫測試，是因為它無法看著遊戲——而這也是迄今最清楚的說明：這是一個文字進、文字出的系統，其視覺能力被委派給工具。

第二段是結尾段落：ERNIE 5.5 Flash Preview「是後訓練階段的中間檢查點。它已能與同尺寸模型競爭，但由於訓練尚未完成，部分能力仍可能有所不足。」一篇告訴你這次發布尚未完成的發布文章，比不這麼說的文章更有價值，而且它重新詮釋了上述所有內容。你不是在讀產品公告，而是在讀一份附有計分板的進度報告，公開出來是為了讓使用者在正式發布前回報。

這二十個基準列，請仔細閱讀

附錄表格是一張單一圖片，這本身就是個小小的破綻：這些數字無法被複製、排序，也無法與試算表核對。從圖片上讀取，ERNIE 欄位的內容如下，全部由百度自行回報且未經重現：

• 代理式編碼 — Terminal-Bench 4.0 為 46.5，DeepSWE v1.1 為 71.2，ProgramBench（幾乎解決）為 29.5，NL2Repo-Bench 為 64.8，Terminal-Bench-Science 0.1 為 21.0。

• 電腦操作與自動化——CookieBench 達 88.2，AutomationBench 達 61.9，APEX-Agents 1.1 達 64.2，DRACO 達 84.9。

• 知識型工作 — SpreadsheetBench V2 為 36.4，OfficeQA Pro V2 為 67.9，Agents' Last Exam（CLI）為 29.0，SkillsBench 1.1 純文字為 73.5。

• 通用代理與工具使用 — Toolathlon-Verified 為 79.0，MCP-Atlas 為 84.6，BrowseComp 為 87.4。

• 推理 — HLE 在不使用工具下為 46.4，並帶有腳註標記；AA-Omniscience-Public 為 25.2；AA-LCR v1.1 為 79.0。

• 3D — BlenderWorld 純文字版為 79.0，這是唯一直接回應正文中 CAD 與 Blender 主張的那一列。

腳註才是誠實之處，而且值得在任何表格欄位之前先讀。每個基準測試都在具名的測試框架上執行——Claude Code 2.1.x、mini-swe-agent 2.4.6、Codex 0.162.1，以及某個縮寫為 DSH 的東西都出現了——而評審模型則是 Qwen3.8-Max、DeepSeek-V4.1-Flash-1017 與 Gemini 3.1 Flash-Lite。其中一則腳註坦承：「GLM-5.3 與我們的模型缺乏原生多模態能力，圖像理解是透過一個由 Claude Opus 5.5 驅動的工具提供。」換句話說，至少有一部分依賴視覺的基準測試，是由 ERNIE 5.5 Flash Preview 驅動一個呼叫競爭對手模型的工具所完成的。這是合理的工程選擇，卻也是在計分板上發現時著實古怪的一件事，而這意味著那些涉及「看任何東西」的列，衡量的是整個測試框架，而非模型本身。

帶有 AA 前綴的那兩行值得另行加註提醒。AA-Omniscience-Public 與 AA-LCR v1.1 是由獨立追蹤機構 Artificial Analysis 所發布的基準測試——但這些是百度自行執行的結果，而非 Artificial Analysis 的執行結果。截至 11 月 11 日，Artificial Analysis 的排行榜上並沒有 ERNIE 5.5 這一行，因此無論是哪一個儲存格，都沒有獨立的數字可供對照。

示範帶才是真正的論據。

如果基準測試表是會被引用的部分，那四篇案例研究就是難以造假的部分，因為它們描述的是工作成果，而不是分數。這些細節夠具體，原則上可查證，也夠明確，讓你在決定要讓這個模型處理什麼時能派得上用場。

• 遊戲開發 — 在一項為期 11 小時的單一編碼任務中，打造出一款以 Unreal Engine 5.8 製作的第三人稱遊戲，將來自數個引擎世代的資源整合進同一個專案，並以 C++ 撰寫遊戲本體；另外，也從設計文件生成近百款手遊小遊戲，涵蓋 Cocos、Unity、LayaAir、PixiJS 與 Canvas 2D，其中多數將規則結構化為確定性模擬，讓機器人試玩與狀態空間搜尋得以驗證每一關皆可通關。

• 3D 建模 — 由兩個代理透過 Blender Python API 建構 Boeing 747 與北京大興機場，一個負責機場，一個負責飛機；接著按比例匹配、打光，並以 Cycles 和 OptiX 逐幀渲染，再用 FFmpeg 剪輯。法隆寺建築群則經研究後逐步建構；一段橫跨四個 Blender 場景、約 2,100 個物件與 182 萬個三角面的預視序列；以及透過 Python 腳本在 FreeCAD 中建模的 W16 引擎、兩座深圳塔樓與月球車。

• 知識工作——一份關於資料中心電力成本的 20 頁研究報告、一份基於 4,169 份聯邦事故報告的 24 頁自動駕駛分析、一本內含 1,000 條路徑蒙地卡羅模擬的互動式財富規劃工作簿，以及一首以 WAV 格式交付的 6 分 34 秒管弦樂作品。這背後的訓練故事是貼文中最龐大的數字：30 萬個工作區，涵蓋超過 40 種檔案類型，存放 1,000 萬份參考檔案。

• 影片 — 超過 150,000 個創作環境，以及約 5,300 分鐘的成品影片，焦點是一部以超過 10,000 行 Python 寫成的 116 秒 2D 動畫短片，讓一隻參數化鵜鶘穿梭於 20 種藝術風格。

這些的共同點在於，它們都不是聊天互動。每一個都是帶有工具呼叫的長時間代理式執行，而所要主張的是續航力——模型能否在數小時的編輯過程中始終維持同一個計畫。這正是二十列基準表最無法衡量的性質，也是那篇文章會以產出物開頭的原因。

當發布貼文與端點不一致時

文章中描述的模型，與 Qianfan 規格表所描述的模型，明顯是同一個系統，只是由兩個沒有彼此核對過資訊的部門各自描述。該端點於 11 月 10 日上線，每百萬輸入 token 收費 0.28 美元，每百萬輸出 token 收費 1.13 美元，快取讀取為 0.028 美元，上下文長度為 1,024,000 個 token，輸出上限為 921,600 個 token，強制推理僅提供單一高強度等級，且沒有模型卡。隔天發布的發布文章重申了上下文視窗，完全略過價格，對強制推理隻字未提，並提供了相當於模型卡份量的定位說明，卻沒有提供模型卡本身。

實際的後果是，這個故事的兩半必須一起讀，否則就根本別讀。文章告訴你，這個模型能撐住十一小時的編碼任務；而端點則告訴你，它思考的一切都按輸出費率計費，而且你無法關閉思考。一趟花上數小時反覆迭代的執行，就是一趟會吐出巨量輸出 token 的執行，而按每百萬 $1.13 計算，這段展示影片的成本是文章從未提出的問題。除非有人在自身的工作負載上測量每個完成任務的輸出 token 數，否則把這個模型和更便宜的模型相比，都只是在比價目表。

還缺少什麼，而且這可不是小事

三項缺失定義了 ERNIE 5.5 Flash Preview 的當前狀態，而每一項都會在不同的時間尺度上得到解決。

• 權重。該貼文承諾會「很快」採用 Apache 2.0，但未指明日期；截至 11 月 11 日，Hugging Face 上仍沒有預覽儲存庫——那裡唯一發布的 ERNIE 5.5 成果是 ERNIE-5.5-Flash-Base 及其 BF16 變體，兩者均建立於 10 月 21 日。基礎檢查點以 ERNIE 5.5 Flash Base 授權發布，這是一種受限社群授權，排除歐盟、英國與韓國，依關聯年營收限制免費商業使用，並要求標示「Powered by ERNIE」。若預覽版的權重確實以 Apache 2.0 釋出，那將是該系列授權條款的改變，且比任何基準測試成績都重大得多。

• 獨立評分。本次發布內容中，除了百度以外，沒有任何人實際跑過任何項目。名稱中帶有 AA 的基準測試才是值得關注的，因為 Artificial Analysis 會執行自家的測試框架，並且一旦把這個模型加入，就會公布一列可比較的結果；在那之前，那二十個儲存格只是宣稱，不是測量結果。

• 成品模型。Baidu 表示後訓練仍在進行中，正式發布版將比預覽版更完善。這明確說明當前的數字有其保存期限，也使得任何要以這個檢查點為基礎進行建構的決定，都成為針對一個移動目標的決定。

如何在不把生產路徑押注於它的情況下評估它

取用是透過百度自家的千帆 API，或透過轉售它的第三方平台。OrcaRouter 並不會路由 ERNIE 5.5 Flash Preview——在我們超過 200 個模型的目錄中沒有 ERNIE 項目，背後也沒有百度端點，因此這裡的任何內容都不應被解讀為提供該模型的要約。

在這種情況下，型錄的用處在於對照的另一方：用來與這個模型進行基準測試的其他模型，全都可透過一組 OpenAI 相容金鑰，以供應商定價、0% 加價取得，因此你可以自己用 GPT-6.1 Sol、Claude Opus 5.5、GLM-5.3 和 DeepSeek V4.1 Flash 跑同樣這二十項任務，看看百度的排序在接觸到你的提示詞後是否仍站得住腳。自動容錯移轉則負責第二件事——一個沒有上線時間紀錄的預覽版，永遠不必成為唯一支撐請求路徑的東西，因為當它卡住時，可由路由的備援接手呼叫。

本週值得執行的評估範圍窄且成本低。拿十個你自己的長時程代理任務，讓每個任務分別跑過預覽版以及你已經信任的兩個模型，並為每個任務記錄三件事：是否完成、消耗了多少輸出 token，以及花費多少。這會給你 Baidu 沒有公布的兩個數字——每個任務的 token 數與每個已完成任務的成本——對照你自己選定的基準。發布文章裡的其他一切，包括 46.5，都是別人的測試框架。

能讓這個問題有定論的，不是再來一場 demo，而是 Apache 2.0 的發布日期、一份載明知識截止點與評估表的模型卡、一列由 Artificial Analysis 自己產出的 Artificial Analysis 評測資料，以及第二個檢查點，其數據可與這一個相互比較。Baidu 如今終於公布了它本應在 11 月 10 日公布的那套說法。它接下來欠使用者的，是那個能讓他們不再單憑它的說法來相信排行榜的實質成果。