這篇對比的全部數字都來自一張圖:百度官方發佈頁的基準圖,把文心 5.5 Flash Preview 與 Claude Opus 5.5、騰訊 Hy4、DeepSeek V4.1 Flash、GPT-6.1 Sol 放在同一張表裏。先說結論:檔位差異一目瞭然——文心 5.5 Flash Preview 是 14B 激活的輕量執行層,對手是旗艦檔;四項有同場分數的基準裏,它只贏了 1 項。但這篇對比的價值不在勝負,在「差多少」:差距都在兩位數百分點以內,14B 激活貼近旗艦檔本身就是結論。全部數字均爲百度自報(對手分亦爲官方圖同場列出),非獨立實測。
| 測試(百度自報) | 文心 5.5 Flash Preview | Claude Opus 5.5 | 騰訊 Hy4 |
|---|---|---|---|
| Terminal-Bench 4.0 | 46.5 | 63.6 | — |
| AutomationBench | 61.9(該項第一) | 58.0 | — |
| DRACO | 84.9(第三) | 87.9 | 90.7 |
| APEX-Agents 1.1 | 64.2 | 72.9 | 75.0 |
逐項讀:Terminal-Bench 4.0 46.5 對 Opus 5.5 的 63.6,差 17.1 分,是四項裏差距最大的一項——終端 Agent 任務上,輕量執行層與旗艦檔的差距最明顯;AutomationBench 61.9 對 Opus 5.5 的 58.0,領先 3.9 分,是唯一的第一;DRACO 84.9 對 Opus 5.5 的 87.9、Hy4 的 90.7,差 3.0 與 5.8 分,排第三;APEX-Agents 1.1 64.2 對 Opus 5.5 的 72.9、Hy4 的 75.0,差 8.7 與 10.8 分。Hy4 的 TB 4.0 與 AutomationBench 同口徑分數本輪調研未覈實到,表中留空、不編造。
61.9 分、該項第一,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。這個第一的含金量要分兩面看:一面是,它是 8 項交叉確認裏唯一的第一,說明文心 5.5 Flash Preview 在 AutomationBench 這類自動化任務上有真實優勢,與「Agent 工作負載的執行層」定位吻合;另一面是,它是唯一的第一——TB 4.0、DRACO、APEX-Agents 三項全部落後,不要把它讀成整體領先。一個第一加三項落後,纔是完整的畫像。
DeepSWE v1.1 71.2、SpreadsheetBench V2 36.4、OfficeQA Pro V2 67.9、Agents' Last Exam(CLI)29.0——這四項只有文心 5.5 Flash Preview 一方的分數,對手分未交叉確認。它們能說明模型自身的絕對水平(例如 DeepSWE 71.2 的編程能力、OfficeQA 67.9 的辦公能力),但不能用來排座次;本站不在表中填寫未覈實的對手分。官方圖上另有兩項零星對手分:GPT-6.1 Sol 的 TB 4.0 56.1(文心 46.5 落後 9.6 分)、DeepSeek V4.1 Flash 的 AutomationBench 57.2(文心領先 4.7 分)——這兩項同樣是百度官方圖同場列出,非獨立實測。
這張對比表最大的缺口不在百度,而在獨立榜單:文心 5.5 Flash Preview 截至 11 月 16 日沒有 AA 指數(未收錄),LiveBench 與 LMArena 也未收錄;Opus 5.5 與 Hy4 的 AA 指數、LMArena 與 LiveBench 同口徑分數,在本輪調研中未覈實到,本站不在表中填寫。換句話說,這篇對比目前只能在「百度自報」這個口徑內進行——對手分是百度官方圖同場列出的,不是獨立實測的同場對比。等 AA 收錄、等獨立復現,這篇對比才有第二版。
按檔位選,不按勝負選:要旗艦檔的終端 Agent 能力,TB 4.0 63.6 的 Opus 5.5 更合適;要 DRACO 與 APEX-Agents 上的高分,Hy4(90.7 / 75.0)更合適;要一個 14B 激活、1M 上下文、千帆 ¥2/¥8(忙時)或 OpenRouter $0.28/$1.13 的輕量執行層,並且 AutomationBench 這類自動化任務是主場景,文心 5.5 Flash Preview 是合理的選擇——前提是接受 Preview 中間態(基準分可能隨正式版變化)與權重未放出(不能自託管)的現實。
不強。四項同場對比裏它只贏了 1 項(AutomationBench 61.9 對 58.0);TB 4.0 46.5 對 63.6、DRACO 84.9 對 87.9、APEX-Agents 64.2 對 72.9,全部落後。檔位不同:它是 14B 激活的輕量執行層,Opus 5.5 是旗艦檔。
DRACO 84.9 對 90.7、APEX-Agents 64.2 對 75.0,兩項都落後;TB 4.0 與 AutomationBench 的 Hy4 同口徑分數本輪未覈實到。同樣是檔位差異:Hy4 是旗艦 MoE,文心 5.5 Flash Preview 是輕量執行層。
不是。全部數字均爲百度官方發佈頁自報,對手分亦爲官方圖同場列出;截至 11 月 16 日,文心 5.5 Flash Preview 沒有 AA、LiveBench、LMArena 的獨立評分,無獨立機構復現。
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)