文心 5.5 Flash Preview 的基準故事只有一句話:官方發佈頁約 20 行基準表,全部百度自報;8 項經多家二手來源交叉確認,其中只贏了 1 項。本文先給誠實讀法,再逐項盤點,最後說清三處缺口:沒有獨立評分、CodeArena 分數未直核、速度口徑衝突。Preview 是官方自認未完成的中間版本——這張表上的全部數字都是中間態,正式版可能變化。
8 項交叉確認的基準:Terminal-Bench 4.0 46.5、AutomationBench 61.9(該項第一)、DeepSWE v1.1 71.2、DRACO 84.9(第三)、SpreadsheetBench V2 36.4、OfficeQA Pro V2 67.9、Agents' Last Exam(CLI)29.0、APEX-Agents 1.1 64.2。只贏 1 項(AutomationBench),其餘落後於旗艦;TB 4.0 46.5 與 Opus 5.5 的 63.6 差距明顯,DRACO 84.9 落後 Hy4 的 90.7,APEX-Agents 64.2 落後 Hy4 的 75.0。正確的讀法是兩句話:第一,14B 激活能擠進這個區間本身就是賣點——280B 總參數裏每 token 只激活 14B(約 5%),卻能在 Agent 類基準上貼近旗艦檔;第二,讀成「超過旗艦」是誤讀,方向一致地落後纔是事實。兩句話缺一不可。
| 測試(百度自報) | 文心 5.5 Flash Preview | 主要對手(官方圖,帶星號自測) |
|---|---|---|
| Terminal-Bench 4.0 | 46.5 | Claude Opus 5.5 63.6、GPT-6.1 Sol 56.1 |
| AutomationBench | 61.9(該項第一) | Claude Opus 5.5 58.0、DeepSeek V4.1 Flash 57.2 |
| DeepSWE v1.1 | 71.2 | 未交叉確認對手分 |
| DRACO | 84.9(第三) | Hy4 90.7、Claude Opus 5.5 87.9 |
| SpreadsheetBench V2 | 36.4 | 未交叉確認對手分 |
| OfficeQA Pro V2 | 67.9 | 未交叉確認對手分 |
| Agents' Last Exam(CLI) | 29.0 | 未交叉確認對手分 |
| APEX-Agents 1.1 | 64.2 | Hy4 75.0、Claude Opus 5.5 72.9 |
官方發佈頁的表約有 20 行,以上 8 項是經 aiho.net、todayforai、madechango 等多家二手來源交叉確認的部分;其餘約 12 行未交叉確認,本站不在表中填寫。AutomationBench 61.9 的第一值得單獨說明:對手是 Claude Opus 5.5(58.0)與 DeepSeek V4.1 Flash(57.2),領先幅度 3.9 與 4.7 分,是 8 項裏唯一的第一——但它也是 8 項裏唯一的第一,不要把它讀成整體領先。
圖上四項是 8 項裏有對手同場分數的四項:TB 4.0、AutomationBench、DRACO、APEX-Agents 1.1。橙色是文心 5.5 Flash Preview——四項裏只有 AutomationBench 一根橙色條是最長的;其餘三項,橙色條都短於灰色(Opus 5.5)與青色(Hy4)。Hy4 的 TB 4.0 與 AutomationBench 同口徑分數本輪調研未覈實到,圖中留空、不編造。
CodeArena WebDev 1668 分(誤差 ±16),但 11 月 11 日榜單快照裏該行排名空白、票數 N/A、標籤 AutoEval——是人類票不足時的佔位分,不是打榜打出來的排名;許可證標籤爲 Proprietary(權重尚未發佈,只能走千帆 API)。Arena 11 月 12 日稱其「trending towards becoming the #2 open model」,「開源第二、國產第四」是預測而非既成事實。這是目前唯一找到的第三方榜單信號。它的意義在於方向:一個 14B 激活的模型能在 WebDev 這類前端生成榜單的同一分數帶裏,與「14B 激活擠進旗艦區間」的官方表讀法互相印證;但在人類票驗證之前,它不能當作獨立評分引用。
截至 2026 年 11 月 16 日:Artificial Analysis 未收錄 ERNIE 5.5 Flash Preview(aireiter:未在 AA 列表中找到 Preview 的獨立行;europesays 11 月 5 日亦稱無 AA 頁面),無 AA 指數;LiveBench 與 LMArena 未找到收錄記錄;無任何獨立機構復現的基準分。也就是說,官方表之外的全部數字目前只有 CodeArena 這一項媒體轉述。8 小時跟蹤須盯:AA 是否收錄、LiveBench / LMArena 首次評分、正式版(去掉 Preview 尾綴)消息——任何一項落地,都會改變這張表的可信度結構。
官方稱解碼速度 200+ tokens/s;OpenRouter 實測中位 p50 約 75–79 tok/s(11 月 12 日數據,免費端)。兩個數字差了近兩倍,口徑不同(官方宣稱 vs 第三方免費端實測),本站兩數並列、不選邊、不採納單一速度數字。注意這個衝突的特殊性:它不是兩個版本的問題(像 AA 指數換版),而是「宣稱」與「實測」的口徑問題——在可復現的第三方測量出現之前,200+ 這個數字只能當作官方宣稱讀,不能當作實測讀。
官方演示(《雲岫行》11 小時 Agent 長程任務、近 100 款手機小遊戲、機場與客機 Blender 建模)不是標準評測:均爲官方自有 Agent 框架內的端到端成果,換 harness / 提示詞策略結果可能差一個量級;模型爲純文本,看不到畫面。它們證明的是「Agent 工作負載的執行層」這個定位有實例支撐,不證明任何基準分數。madechango / 火星財經 11 月 13 日實測「審美在線、編程爭先」是第三方實測口徑,與官方演示要分開讀。
謹慎地信。官方發佈頁約 20 行基準全部爲百度自報,無獨立機構復現;截至 11 月 16 日無 AA、LiveBench、LMArena 收錄;唯一的第三方信號 CodeArena WebDev 1668 分爲 AutoEval 佔位分(零人類票)。8 項交叉確認裏它只贏 1 項(AutomationBench),TB 4.0 46.5 明顯落後於旗艦。
官方發佈頁的表約有 20 行,但本輪研究中官方發佈頁未能直讀(瀏覽器策略屏蔽),事實經 digintoai、aiho.net 等直讀過該頁的二手來源交叉確認;只有 8 項在多家二手來源中一致出現,其餘約 12 行未交叉確認,本站不填寫、不編造。
沒有單一可信數字。官方稱 200+ tokens/s,OpenRouter 實測中位 p50 約 75–79 tok/s(11 月 12 日數據,免費端)。兩數口徑不同,本站不採納任何單一速度數字,實際速度請以自己的實測爲準。
參考來源:百度官方發佈頁 — ERNIE 5.5 Flash Preview · aiho.net — 280B 深度分析 · aireiter.com — API 深度評測(本文爲本站改寫與整理,事實以官方發佈頁與報道爲準;官方發佈頁本輪未能直讀,事實經二手來源交叉確認)