文心 5.5 Flash Preview 的基准故事只有一句话:官方发布页约 20 行基准表,全部百度自报;8 项经多家二手来源交叉确认,其中只赢了 1 项。本文先给诚实读法,再逐项盘点,最后说清三处缺口:没有独立评分、CodeArena 分数未直核、速度口径冲突。Preview 是官方自认未完成的中间版本——这张表上的全部数字都是中间态,正式版可能变化。
8 项交叉确认的基准:Terminal-Bench 4.0 46.5、AutomationBench 61.9(该项第一)、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。只赢 1 项(AutomationBench),其余落后于旗舰;TB 4.0 46.5 与 Opus 5.5 的 63.6 差距明显,DRACO 84.9 落后 Hy4 的 90.7,APEX-Agents 64.2 落后 Hy4 的 75.0。正确的读法是两句话:第一,14B 激活能挤进这个区间本身就是卖点——280B 总参数里每 token 只激活 14B(约 5%),却能在 Agent 类基准上贴近旗舰档;第二,读成「超过旗舰」是误读,方向一致地落后才是事实。两句话缺一不可。
| 测试(百度自报) | 文心 5.5 Flash Preview | 主要对手(官方图,带星号自测) |
|---|---|---|
| Terminal-Bench 4.0 | 46.5 | Claude Opus 5.5 63.6、GPT-6.1 Sol 56.1 |
| AutomationBench | 61.9(该项第一) | Claude Opus 5.5 58.0、DeepSeek V4.1 Flash 57.2 |
| DeepSWE v1.1 | 71.2 | 未交叉确认对手分 |
| DRACO | 84.9(第三) | Hy4 90.7、Claude Opus 5.5 87.9 |
| SpreadsheetBench V2 | 36.4 | 未交叉确认对手分 |
| OfficeQA Pro V2 | 67.9 | 未交叉确认对手分 |
| Agents' Last Exam(CLI) | 29.0 | 未交叉确认对手分 |
| APEX-Agents 1.1 | 64.2 | Hy4 75.0、Claude Opus 5.5 72.9 |
官方发布页的表约有 20 行,以上 8 项是经 aiho.net、todayforai、madechango 等多家二手来源交叉确认的部分;其余约 12 行未交叉确认,本站不在表中填写。AutomationBench 61.9 的第一值得单独说明:对手是 Claude Opus 5.5(58.0)与 DeepSeek V4.1 Flash(57.2),领先幅度 3.9 与 4.7 分,是 8 项里唯一的第一——但它也是 8 项里唯一的第一,不要把它读成整体领先。
图上四项是 8 项里有对手同场分数的四项:TB 4.0、AutomationBench、DRACO、APEX-Agents 1.1。橙色是文心 5.5 Flash Preview——四项里只有 AutomationBench 一根橙色条是最长的;其余三项,橙色条都短于灰色(Opus 5.5)与青色(Hy4)。Hy4 的 TB 4.0 与 AutomationBench 同口径分数本轮调研未核实到,图中留空、不编造。
CodeArena WebDev 1668 分(误差 ±16),但 11 月 11 日榜单快照里该行排名空白、票数 N/A、标签 AutoEval——是人类票不足时的占位分,不是打榜打出来的排名;许可证标签为 Proprietary(权重尚未发布,只能走千帆 API)。Arena 11 月 12 日称其「trending towards becoming the #2 open model」,「开源第二、国产第四」是预测而非既成事实。这是目前唯一找到的第三方榜单信号。它的意义在于方向:一个 14B 激活的模型能在 WebDev 这类前端生成榜单的同一分数带里,与「14B 激活挤进旗舰区间」的官方表读法互相印证;但在人类票验证之前,它不能当作独立评分引用。
截至 2026 年 11 月 16 日:Artificial Analysis 未收录 ERNIE 5.5 Flash Preview(aireiter:未在 AA 列表中找到 Preview 的独立行;europesays 11 月 5 日亦称无 AA 页面),无 AA 指数;LiveBench 与 LMArena 未找到收录记录;无任何独立机构复现的基准分。也就是说,官方表之外的全部数字目前只有 CodeArena 这一项媒体转述。8 小时跟踪须盯:AA 是否收录、LiveBench / LMArena 首次评分、正式版(去掉 Preview 尾缀)消息——任何一项落地,都会改变这张表的可信度结构。
官方称解码速度 200+ tokens/s;OpenRouter 实测中位 p50 约 75–79 tok/s(11 月 12 日数据,免费端)。两个数字差了近两倍,口径不同(官方宣称 vs 第三方免费端实测),本站两数并列、不选边、不采纳单一速度数字。注意这个冲突的特殊性:它不是两个版本的问题(像 AA 指数换版),而是「宣称」与「实测」的口径问题——在可复现的第三方测量出现之前,200+ 这个数字只能当作官方宣称读,不能当作实测读。
官方演示(《云岫行》11 小时 Agent 长程任务、近 100 款手机小游戏、机场与客机 Blender 建模)不是标准评测:均为官方自有 Agent 框架内的端到端成果,换 harness / 提示词策略结果可能差一个量级;模型为纯文本,看不到画面。它们证明的是「Agent 工作负载的执行层」这个定位有实例支撑,不证明任何基准分数。madechango / 火星财经 11 月 13 日实测「审美在线、编程争先」是第三方实测口径,与官方演示要分开读。
谨慎地信。官方发布页约 20 行基准全部为百度自报,无独立机构复现;截至 11 月 16 日无 AA、LiveBench、LMArena 收录;唯一的第三方信号 CodeArena WebDev 1668 分为 AutoEval 占位分(零人类票)。8 项交叉确认里它只赢 1 项(AutomationBench),TB 4.0 46.5 明显落后于旗舰。
官方发布页的表约有 20 行,但本轮研究中官方发布页未能直读(浏览器策略屏蔽),事实经 digintoai、aiho.net 等直读过该页的二手来源交叉确认;只有 8 项在多家二手来源中一致出现,其余约 12 行未交叉确认,本站不填写、不编造。
没有单一可信数字。官方称 200+ tokens/s,OpenRouter 实测中位 p50 约 75–79 tok/s(11 月 12 日数据,免费端)。两数口径不同,本站不采纳任何单一速度数字,实际速度请以自己的实测为准。
参考来源:百度官方发布页 — ERNIE 5.5 Flash Preview · aiho.net — 280B 深度分析 · aireiter.com — API 深度评测(本文为本站改写与整理,事实以官方发布页与报道为准;官方发布页本轮未能直读,事实经二手来源交叉确认)