ERNIE-5.5-Flash 對上 Qwen 3.8 Flash：基礎檢查點遇上完成模型

把 ERNIE-5.5-Flash 和 Qwen 3.8 Flash 並列來看，第一個誠實的觀察是：它們並不是同一種東西。百度實際發布的是 ERNIE-5.5-Flash-Base，那是預訓練結束時的檢查點——還未經過中期訓練，還未進行指令微調，也還未做任何偏好相關的工作——所以它的行為是續寫文字，而不是回應請求，而且它是透過 completions 端點提供服務，不是 chat 端點。Qwen 3.8 Flash則是阿里巴巴於 2026 年 8 月 26 日推出的成品多模態模型，可接受文字、圖像與影片並回傳文字，每百萬輸入 token 收費 0.15 美元，每百萬輸出 token 收費 0.47 美元。一個是你還得自己訓練的起點；另一個是你今天下午就能呼叫的產品。下文的幾乎每一個數字，其意義都會隨著你認為自己比較的是這兩者中的哪一個而改變，這就是為什麼值得在規格表之前、而不是之後，先把這件事弄清楚。

Baidu 發布了什麼，以及它尚未說明什麼

這次發布安靜得很特別，正是中國開放權重模型釋出常見的樣子：成品先到，故事後至。這個baidu/ERNIE-5.5-Flash-Base 儲存庫於 10 月 21 日在 Hugging Face 建立，將近一週幾乎空無一物，隨後在 11 月 2 日至 3 日之間收下其 128 個 FP8 權重分片。架構與基準測試圖表於 11 月 4 日上線，而模型卡本身今早仍在修訂。百度自家的發布頁面標註日期為今天，11 月 5 日，而該頁面之外所引發的唯一討論，是一個論壇串與一則微信貼文。沒有新聞稿、沒有發表活動，也幾乎沒有媒體報導。

這關係到哪些你能信任、哪些不能。可從儲存庫得知的是：架構、參數量、一份明確標明測試框架的完整供應商基準表、可用的 SGLang 與 vLLM 服務配方、授權條款文本，以及 BF16 同系列版本與 FP8 版本並存這一事實。無法得知的是：百度是否打算將其作為 API 提供——千帆的價目表最後更新於 10 月 18 日，列出 ERNIE 5.1、5.0 和 4.5 Turbo，完全沒有 ERNIE 5.5 的任何條目——其指令微調版本得分如何，以及是否有任何獨立評測者能重現百度表格中的任何一個數字。

雜誌規格，正式記錄如下：總參數 280B，每個 token 啟用 14B，從零開始在 33.5T tokens 上預訓練，43 層中有一層是稠密 FFN、42 層是 MoE，512 個路由專家搭配 top-10 路由加一個共享專家，以及 201,216-token 詞彙表。釋出的設定啟用 1,048,576-token 上下文，不過訓練時只看過 131,072。還有一個 0.36B 的多 token 預測頭，不計入任一個參數數字。

規格對比，聚焦真正具決定性的面向

• 你會得到什麼 — ERNIE-5.5-Flash-Base 僅是一個檢查點，別無其他：你下載的權重、一個 /v1/completions 端點，而且不具備任何指令遵循行為。Qwen 3.8 Flash 則是已部署服務的模型，具備工具呼叫、推理模式、結構化輸出，以及 131,072 個權杖的最大回應長度。

• 規模 — ERNIE 為 280B 總參數／14B 啟用參數，相較於 Qwen 3.8 Flash 的 125B 總參數／約 6B 啟用參數；後者還帶有 51B 的 n-gram 嵌入表與約 4B 的 MTP 頭，使磁碟上的參數量大約達 180B。

• 注意力設計 — ERNIE 使用 43 層，其中 37 層是重度壓縮注意力（HCA）層，另有 6 層是搭配稀疏注意力的 MLA 層；Qwen 3.8 Flash 則在 48 層中採用 Gated DeltaNet 加 Qwen Sparse Attention 的混合架構。兩者都押注：在 Flash 等級的價格下，傳統全注意力是不值得付費的選擇，而這兩項押注是從相反方向做出的。

• 上下文 — 雙方皆宣稱支援 100 萬個 token，但來源不同：ERNIE 以 128K 訓練，僅在微調與推論時才啟用 100 萬；而 Qwen 3.8 Flash 原生為 262K，並透過 YaRN 延伸達到 100 萬。

• 模態 — ERNIE-5.5-Flash-Base 僅支援文字，涵蓋英文與中文。Qwen 3.8 Flash 接受文字、圖像與影片，而其供應商表格包含 AndroidWorld、OSWorld 2.0、MathVision 與 LVBench 的結果，這些是純文字檢查點無法產生的。

• Qwen 陣營的權重 — 正式版 Qwen 3.8 Flash 僅提供 API，但其開放權重的同系列模型 Qwen3.8-Flash-Next 依 Qwen 社群授權條款 1.0 發布，因此「API 對比權重」的框架乍看之下，雙方其實比想像中更具可比性。

• 服務部署 — 百度提供了一套可用的做法：使用 lmsysorg/sglang:dev-ernie-55-flash 映像檔並搭配 --tp 4，或是使用 vLLM 0.32.0 加上 baidu/vLLM-ERNIE 外掛，並將資料平行大小設為 4。Qwen 3.8 Flash 則不需要部署配方，因為阿里巴巴已為你提供服務。

• 價格——各處均未公布 ERNIE-5.5-Flash-Base 的每 token 價格，因為沒有可供定價的託管端點；Qwen 3.8 Flash 每百萬 token 為輸入 $0.15／輸出 $0.47，快取輸入讀取則為 $0.0184。

• 授權——ERNIE 5.5 Flash 基礎模型授權協議 v1.0，這是一份自訂協議，若要以它為基礎打造產品，值得先完整讀過；相較之下，開放陣營的 Qwen 則採用 Qwen 社群授權 1.0。

那些看似可比較、實際上卻不可比較的基準列

這就是這項比較所設下的陷阱。兩家廠商都公布了 LiveCodeBench 分數，而這兩個數字分別是 40.1 和 91.9。

它們測量的不是同一件事，而兩者之間的差距也不是能力差距。百度的 40.1 是在原始預訓練檢查點上、一次性（one-shot）的 Pass@1——模型被要求完成程式碼續寫，卻從未學過遵循指令。阿里巴巴的 91.9 是 LiveCodeBench v6，這是不同且更晚的基準版本，且是針對一個已走完完整後訓練流程的模型所報告的結果。GPQA 那組也有同樣的問題：ERNIE 在基礎檢查點上以五次示例（five-shot）的精確匹配得到 60.2，Qwen 在指令微調後於 GPQA Diamond 得到 91.7。甚至 MMLU 的比較——93.3 對上一個未公布 MMLU 的模型——也沒有任何可並列比較的對象。

這不是在貶低這兩個模型中的任何一個。這是在說明基礎模型評估的用途是什麼。一個從未見過指令的檢查點在 LiveCodeBench 上得到 40.1，說明的是預訓練吸收了多少程式結構；照這個解讀，這是個合理的數字。它完全無法告訴你，同一組權重在有人對其進行微調後會得到什麼分數。包括百度在內，沒有人公佈過那個數字。

唯一能照字面直接解讀的一張表，是百度自家的那一張，因為全部四欄都跑過同一套流程、同樣的提示詞與少樣本設定。對比 DeepSeek-V4-Flash-Base（284B-A13B）、Hy3-preview-Base（295B-A21B）與 MiMo-V2.5-Base（310B-A15B），ERNIE-5.5-Flash-Base 在 30 項基準測試中有 24 項取得同列最佳，包括 MMLU-Pro 的 78.4 對 69.2、HumanEval+ 的 82.3 對 69.5，以及 RepoQA 的 91.7 對 81.0。它在 ChineseSimpleQA 上輸給 DeepSeek，在 FullStackBench 與 BBH 思維鏈上輸給 Hy3，而 HELMET-Rerank 與 InfiniteBench 兩項都輸給 DeepSeek。那些是廠商自行跑出的數字，用的是廠商自選的測試框架，且沒有獨立重現——但它们在內部具有可比性，而這是本文中任何跨廠商的配對比較都談不上的。

每條路線的成本，並列出計算過程

Qwen 3.8 Flash 是最容易定價的一個。以每日 1,000 次請求、平均 6,000 個輸入 token 與 800 個輸出 token 的支援與擷取工作負載來算：每天 6M 輸入與 0.8M 輸出 token，或是以 30 天一個月計，共 180M 與 24M。以每百萬 $0.15 與 $0.47 計算，就是 $27.00 加上 $11.28——每月 $38.28，而快取讀取每百萬 $0.0184，還能進一步削減每月重複的系統提示部分。

ERNIE-5.5-Flash-Base 沒有對應的計費項目，因此唯一誠實的成本模型就是硬體。FP8 儲存庫共有 128 個分片，每片約 2.25 GB，大約 288 GB 的權重；BF16 版本則是其兩倍。百度自家的 SGLang 啟動指令以 --tp 4 將其分成四份，這會在還沒建立任何 KV 快取之前，就在每張 GPU 上放置約 72 GB 的權重——只有在完全不使用上下文視窗的情況下，才勉強能在 80 GB 的顯示卡上運作，而在 H200 等級的顯示卡上則相當舒適。以中價位每 GPU 小時 2–3 美元租用四張這類顯示卡，節點在持續運作下每月約需 5,800–8,600 美元，而這還沒算上付錢給任何人進行微調、評估，或維持服務堆疊更新。

那大約是上例中 Qwen API 費用的 150 到 225 倍，而且這個比較刻意在某個方向上不公平：除非有人對 ERNIE 檢查點進行後訓練，否則兩者並不是替代品。這番算術的重點不是自行託管很貴——而是固定成本確實存在，而且它在模型能回答任何一條指令之前就已發生，因此自己擁有它勝過租用現成方案的用量門檻，遠高於按 token 比較所暗示的程度。

長上下文正是這兩種設計趨於一致的地方

兩款模型都宣稱可處理一百萬個 token，而兩者都是靠拒絕對一百萬個位置進行完整注意力運算來達成。ERNIE 的 HCA 層每 128 個 token 只快取一個項目，因此在其 43 層中有 37 層的 KV 快取成長速度比傳統層慢 128 倍；六個 MLA 層則為需要它的 token 保留全解析度存取。Qwen 的 GDN 加 QSA 混合架構則從稀疏注意力這一側做出同類取捨，而其 6B 活躍參數讓每個 token 的運算量保持低檔，不論注意力機制當下在做什麼。

對讀者而言，實務上的差別不在於哪個設計更巧妙——兩者都可信——而在於兩者之中只有一個在實際使用那段上下文時需要付出代價。在 Qwen 3.8 Flash 上，百萬 token 的提示今天已有明確的數字。在 ERNIE-5.5-Flash-Base 上，同樣的提示則只有一個 GPU 小時估算，以及一個無法回答的問題：基礎模型在未經指令微調的情況下，在這樣的長度下會如何表現。

誰該選哪個

選擇 Qwen 3.8 Flash如果你現在就需要一個能遵循指令的模型、如果你的輸入包含螢幕截圖、文件或影片、如果你希望長上下文的帳單成為別人的容量規劃難題，而且如果每百萬 token 0.15／0.47 美元的價格符合你正在打造之產品的單位經濟，那就選它。它推出至今兩個月，自發布以來已有第三方追蹤器收錄它；而廠商數據——SWE-bench Pro 62.5、GPQA Diamond 91.7、CoWorkBench 73.9——屬於宣稱而非經查證的結果，因此在你自己的評測得出不同結論之前，請把它們視為上限。

選擇 ERNIE-5.5-Flash-Base如果你具備後訓練能力，而且有理由擁有模型而非租用模型：例如某個領域的資料無法傳送至 API、某個你真正在意 CMMLU 90.0 與 ChineseSimpleQA 73.0 這兩個數字的中英文工作負載、某個想要 280B-A14B 起點的強化學習研究計畫，或某個值得配置專用四 GPU 節點的延遲預算。你也必須能接受授權條款是 Baidu 自訂協議而非 Apache，並且接受除非你的團隊讓它發揮作用，否則這個模型不會有任何實際用途。

兩者都別選，不過，如果你真正想要的是一個經得起驗證的通用型模型。Qwen 3.8 Flash 是成品，卻沒有獨立基準測試分數；ERNIE-5.5-Flash-Base 則是未完成的模型，只有廠商提供的基準測試表。兩者都不是穩妥的預設選擇，不像兩年前的旗艦模型那樣。

在不把路線圖押注於其上的情況下進行實驗

這個搭配的棘手之處在於，雙方是透過完全不同的方式取得的，而路由層只對其中一方有幫助。Qwen 3.8 Flash 可透過 OrcaRouter 以 qwen/qwen3.8-flash 取得，按供應商定價、0% 加價——與廠商收取的 $0.15 和 $0.47 相同，原樣轉嫁，不因這一跳額外加收任何費用。ERNIE-5.5-Flash-Base 則不是我們所提供的東西：它是權重發布，沒有任何可路由的託管端點存在，無論在這裡，還是我們能找到的其他任何地方皆然。

在這種情況下，單一端點真正擅長的是實驗之後的那段過程。對 ERNIE 5.5 Flash 而言，務實的做法是團隊對基礎檢查點進行後訓練，接著問題就變成：微調後的模型在你自己的流量上是否勝過 Qwen 3.8 Flash。把兩者放在同一把金鑰後面，這只是變更模型 ID，而不是多一份合約和一套 SDK；路由 DSL 可以在你做出決定之前，把正式流量分給兩者，而 自動容錯移轉 意味著一個尚未證實的勝出者不會在它第一個出狀況的日子裡讓整個功能停擺。模型融合提供第三個選項——由一組模型共同回答——這往往是判斷新調校版本究竟真的優於現任者，或只是有所不同，最便宜的方式。

什麼會改變這個答案

有三件事，大致按可能性排序。一個經過指令微調的 ERNIE 5.5 Flash 會讓這件事從類別錯配變成真正的正面對決，而基礎版數字顯示它會具競爭力——未微調檢查點在 HumanEval+ 上拿到 82.3、在 RepoQA 上拿到 91.7，是很強的起跑位置。千帆價格表上若有 ERNIE 5.5 的項目，會讓自託管的成本盤算有個比較基準，並告訴你百度是打算販售這個模型還是免費送出。而任一模型的第三方評分，能讓讀者不再只能信任廠商表格，而這正是這組配對目前卡住的狀態：Qwen 3.8 Flash 名下沒有任何獨立基準測試結果，ERNIE-5.5-Flash-Base 在任何中立排行榜上也完全沒有列名。

在{{1}}這兩件事落實之前{{/1}}，「哪一個比較好」並不是任何人實際衡量過的問題。今天能回答的範圍更窄，也更有用：Qwen 3.8 Flash 是一個你可以呼叫的模型，而 ERNIE-5.5-Flash-Base 是一個你可以據以建構的模型。那是不同的工作，而沒有任何基準測試表能替你判定你面對的是哪一種。