
Hy4 flash-Base 對比 ERNIE 5.5 Flash Base:兩家廠商唯一公開的公平比較
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 138 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 175 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 89 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 88 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 86 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 120 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 195 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 116 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百萬 tokens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
兩家中國實驗室相隔十二天發布了預訓練檢查點,而這一次,比較表自己就能成立:Hy4 flash-Base對上ERNIE 5.5 Flash Base,兩者是同一管線階段、同類型的產物,並以相同方式評估。騰訊於 2026 年 11 月 17 日隨指令模型一同發布 Hy4 flash-Base。百度於 2026 年 11 月 5 日發布 ERNIE 5.5 Flash Base,而在撰寫本文時,它仍是唯一存在的 ERNIE 5.5 產物——經後訓練的聊天模型尚未推出。
檢查點周遭的差異,正是這場對決值得寫上一頁的主要原因。比較這兩個基礎模型,能看出預訓練是怎麼進行的。比較這兩個發布版本,則會透露兩家公司較不光彩的一面:一家公司在同一天交出了原料與成品,另一家則交出了原料與一個承諾。
為什麼基礎檢查點才是誠實的比較
你讀到的幾乎每一份模型比較,其實都不公平,因為它拿某個廠商已完成、經過指令微調的模型,去對比另一個廠商已完成、經過指令微調的模型,而且各自都在自己的評測框架與基準線下評估。基礎檢查點消除了其中一個變數。這兩個模型都未經後訓練,也都沒有會形塑輸出格式的聊天模板,而且兩家廠商發表的是標準學術基準上的少樣本表格,而非自訂的代理式測試套件。
其餘部分——測試框架、shot 數、子集——仍屬各廠商專屬設計,所以這裡算不上受控實驗。但基礎模型對基礎模型的比較表,比較的是預訓練執行結果,而預訓練正是最燒錢的部分。這是這兩家公司針對彼此所公布、最接近同基準可直接比較的數字。
這兩個檢查點,並排
• 參數 — Hy4 flash-Base 總計 220.3B,每個 token 啟用 12B;ERNIE 5.5 Flash Base 總計 280B,每個 token 啟用 14B。
• 參數分佈位置——Hy4 flash-Base 在 42 層主幹中搭載 155.5B,在 Engram n-gram 嵌入表中搭載 63.5B,在視覺編碼器中搭載 0.43B,並在 DFly2 草稿模型中搭載 0.85B;ERNIE 的 280B 則是較傳統的 MoE 分佈,另外還有一個未計入標題總數的 0.36B ECHO 模組。
• 深度與路由 — Hy4 flash-Base 為 42 層(1 層稠密、41 層 MoE),搭配 512 個路由專家加 1 個共享專家,16 個啟用,隱藏維度 3,072;ERNIE 為 43 層(1 層稠密、42 層 Multi-Router Latent MoE),搭配 512 個路由專家加 1 個共享專家,top-10,隱藏維度 4,096。
• 上下文 — 兩者皆配置為 1,048,576 個 token。騰訊直接在該長度上訓練 Hy4 flash;百度則以 128,000 訓練 ERNIE,並將釋出的配置設為 1,048,576 以供微調與推論,這屬於配置本身具備的能力,而非經實測驗證的行為。
• 模態 — 兩者皆為文字與影像輸入、文字輸出。Hy4 flash-Base 搭載源自 SigLIP2 的視覺編碼器;ERNIE 5.5 Flash Base 的模型卡僅在模型連結表中描述文字輸入。
• 授權條款 — Tencent Hy License v1.0,是 Apache 2.0 的衍生版本,並附有一項 MaaS 條款:當營收達到 5,000 萬美元或 MAU 達到 1 億時即適用;ERNIE 5.5 Flash Base Model License v1.0 則完全將歐盟、英國及韓國排除於適用地區之外。
授權那一列不是腳註。歐洲團隊在其補助計畫下完全不能使用 ERNIE checkpoint,再多的基準測試優勢也改變不了這點。任何規模的團隊都能使用 Hy4 flash-Base,而 MaaS 營收超過 5,000 萬美元的團隊在使用前需要寄一封電子郵件。
Baidu 的表格說了什麼,以及相信它要付出什麼代價
百度這組對照選擇對於基礎版本而言是恰當的:ERNIE 5.5 Flash Base 對上 DeepSeek-V4-Flash-Base、Hy3-preview-Base 與 MiMo-V2.5-Base,且依模型卡所述,四者共用同一套流程。以下每一項數字皆為百度自行回報,未經重現驗證。
• 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,相較於 69.2、66.9 與 65.7。這是此組中最大的差距。
• GPQA — 60.2,相較於 55.9、50.2 與 51.4。
• HumanEval+ — 82.3,相較於 69.5、78.0 和 74.4。
• LiveCodeBench — 40.1,相較於 31.9、33.5 與 32.4。
• LongBench-v2 — 48.7,相較於 44.5、39.8 與 44.6。
• BBH 搭配思維鏈 — 89.2,對上 Hy3-preview-Base 的 90.0 與 MiMo-V2.5-Base 的 89.8。三者平手,差異落在雜訊範圍內,不管粗體格式暗示了什麼。
• ChineseSimpleQA — 73.0,對上 DeepSeek 的 75.3。在最貼近百度主場市場的基準測試上,這是一場敗仗。
這張表漏掉了一些列,因此讀起來像是有人自己建的表,而不是有人挑選出來的表。注意表中缺少什麼:Hy4 flash-Base。Tencent 的檢查點在 11 月 5 日還不存在,所以在這項比較中,這兩個模型之間從來沒有任何直接的對照列被任何人發表過。
Tencent 表格的內容,包括免責聲明
騰訊的基礎表格是五路並列——Hy4 flash-Base、Hy4 Base、Hy3 preview Base、DeepSeek-V4-flash-Base 與 DeepSeek-V4-Pro-Base——而且也會漏掉資料列。廠商自行回報、未經重現:
• MMLU-Pro — Hy4 flash-Base 為 71.1,相較於 Hy4 Base 的 73.9、Hy3 preview Base 的 65.8、DeepSeek-V4-flash-Base 的 68.6,以及 DeepSeek-V4-Pro-Base 的 73.4。
• SimpleQA — 37.5 對比 57.2、26.4、31.3 與 52.1。這是整張卡上最大的落差。
• C-Eval — 92.0,對比 95.0、90.1、91.9 與 93.4。
• CMMLU — 91.6,相較於 93.1、89.6、89.8 和 90.7。
• AGIEval 中文 — 90.6,相較於 91.2、87.8、88.5 與 89.8。
• Belebele — 93.8,相較於 95.0、94.2、94.4 和 95.2。
• INCLUDE — 82.8,對比 88.1、84.3、84.0 及 84.3。
• MMMU-Pro — 52.0,相較於 Hy4 Base 的 59.6。多模態列僅存在於兩個 Hy 模型。
整體來看:Hy4 flash-Base 是比同系列其他模型更小、更便宜的模型,而且在大多數列上都輸給它們,這正是 12B-active 模型面對 49B-active 模型時應有的表現。有趣的是多語言列,它在這些列上與大得多的模型維持在一兩分以內的差距,以及 SimpleQA,它在該項落後 Hy4 Base 二十分——這個事實檢索落差說明了這項能力有多少取決於參數量,而非訓練資料。
騰訊還主動提出一項百度模型卡未提及的警示:由於基礎模型在中訓練期間接觸了大量合成指令資料,它「在少樣本評估中偶爾無法遵循預期的答案格式,這可能使分數失真」。廠商主動告訴你,自家的評估工具可能其實是在衡量格式遵循度,這種情況罕見到值得寫上這一句。

這兩張桌子無法疊放在一起。
這個比較裡有個陷阱,值得直說,因為網路上大多數人不會。兩家廠商都公布 MMLU-Pro。Baidu 回報 ERNIE 5.5 Flash Base 為 78.4。Tencent 回報 Hy4 flash-Base 為 71.1。很容易讓人心動直接相減,宣稱 Baidu 以 7.3 分勝出。這種相減並不站得住腳。
不同的 shot 數量、不同的提示格式,以及就 Hy4 flash-Base 而言,一個已獲承認、可能壓低宏觀平均分數的格式遵循問題。兩張表中唯一附有共同定義的數字——五語言子集上的 Belebele——Hy4 flash-Base 為 93.8,而 Baidu 的表中則完全沒有。沒有足夠嚴謹的重疊可供相減。
你能說的範圍更窄,但仍然有用:每家廠商的檢查點在大多數列上,都勝過他們各自選擇的第三方 DeepSeek 基線,而且領先幅度是由他們自己的測試框架所產生的。兩個勉強算獨立的說法指向同一方向,這比單獨任一個更有力,但比共享基準測試更弱。這就是這兩張卡所能支持的誠實上限。

一個版本已經完成;另一個則是承諾。
這種不對稱比上面任何一列都更重要,而它與基準測試的品質無關。
騰訊於 11 月 17 日發布了三項成品:指令模型、其 FP8 版本,以及基礎檢查點。如今想要聊天模型的團隊可以下載其中一個,並使用固定版本的 vllm/vllm-openai:hy4-flash 映像檔在 vLLM 中載入並提供服務。基礎檢查點供想要微調的人使用,而模型卡則指向一份微調指南。
百度於11月5日發布了一項產物。ERNIE 5.5 Flash Base 是預訓練權重。沒有可下載的指令微調版 ERNIE 5.5 Flash,發布資料中沒有以該名義記載的 API 端點,而模型卡僅將後訓練模型描述為「理應遵循」的東西。今天下載 ERNIE 5.5 Flash Base 的團隊,等於承諾要自行在 280B 權重上進行後訓練,之後才能擁有一個能以可用格式回答問題的模型。
對研究團隊來說,那正是有趣的產物。對產品團隊來說,它不是一個模型,而是一個起點,背後附帶無止境的工作量;正確的比較對象不是 Hy4 flash-Base,而是 Hy4 flash——後者按 token 收費,而且現在就能用。

路由器在基礎檢查點決策中的定位
路由器供應的並不是基礎檢查點,若暗示相反情況,那就不誠實。OrcaRouter 既未收錄 Hy4 flash-Base,也未收錄 ERNIE 5.5 Flash Base,而且目前目錄上也沒有這兩家廠商的 instruct 模型。目錄確實收錄的是 tencent/hy4-preview——也就是 Hy4 flash 蒸餾來源的 770B/49B 模型——每百萬輸入 token 為 $0.834、每百萬輸出 token 為 $2.501,快取讀取為 $0.042。
這對某個具體決策很重要。如果你正在權衡是否要微調 220B 基礎檢查點,第一個問題是這個模型家族的行為究竟是否適合你的任務,而預覽模型只需一個下午就能回答,代價就是你花在測試上的 token 費用。在為 tensor-parallel FP8 部署配置八張 GPU 之前先做這件事,是整個專案中最便宜的一步。至於供應商定價以 0% 加價直接傳遞,因此 Tencent 的價格變動會在發生當天就反映到型錄中,而不是等到下一次重建;並且自動容錯移轉意味著評估工作不會中斷,因為某個上游服務有一小時出了狀況。
如果微調奏效,你就擁有權重,路由器也不再是那條路徑的一部分。如果不成,你花掉的是一個下午,而不是一整個季度才發現這件事。
如何解讀這場對決
如果你想要一個能實際幹活的模型,那這頁就找錯地方了:Hy4 flash 是已完成的模型,而 ERNIE 5.5 Flash 還沒有成品。如果你想要一個可作為基礎來建構的預訓練底座,這兩個候選模型之間的差距比行銷說法所暗示的更接近,也比用基準分數相減所顯示的更遙遠。
ERNIE 5.5 Flash Base 較大、訓練時間更長——在 Muon 優化器上使用 33.5 兆個 token——並在其自家測試框架上回報更強的分數,其中包括一項比較表上沒有任何騰訊模型能匹敵的 MMLU-Pro 分數。Hy4 flash-Base 則較小,以 12B 活躍參數提供服務時成本更低,原生支援多模態,隨附視覺編碼器與推測解碼草稿模型,而且其授權條款並未排除三個司法管轄區。
決定性因素很可能既不是能力,也不是授權條款,而是兩者之間相隔的那十二天。百度的檢查點已將近兩週的時間,可供微調社群做出成果;Hy4 flash-Base 則只有一週。請留意是否會出現經過指令微調的 ERNIE 5.5 Flash,也請留意是否有人為 Hy4 flash-Base 發布 LoRA。前者將使這成為一場真正的比較,而且很可能隨後會出現共用的基準測試;後者則會告訴你,實務工作者實際上更偏好哪一個基礎模型。
本文中的比較1
根據本文內容識別
