这篇对比的全部数字都来自一张图:百度官方发布页的基准图,把文心 5.5 Flash Preview 与 Claude Opus 5.5、腾讯 Hy4、DeepSeek V4.1 Flash、GPT-6.1 Sol 放在同一张表里。先说结论:档位差异一目了然——文心 5.5 Flash Preview 是 14B 激活的轻量执行层,对手是旗舰档;四项有同场分数的基准里,它只赢了 1 项。但这篇对比的价值不在胜负,在「差多少」:差距都在两位数百分点以内,14B 激活贴近旗舰档本身就是结论。全部数字均为百度自报(对手分亦为官方图同场列出),非独立实测。
| 测试(百度自报) | 文心 5.5 Flash Preview | Claude Opus 5.5 | 腾讯 Hy4 |
|---|---|---|---|
| Terminal-Bench 4.0 | 46.5 | 63.6 | — |
| AutomationBench | 61.9(该项第一) | 58.0 | — |
| DRACO | 84.9(第三) | 87.9 | 90.7 |
| APEX-Agents 1.1 | 64.2 | 72.9 | 75.0 |
逐项读:Terminal-Bench 4.0 46.5 对 Opus 5.5 的 63.6,差 17.1 分,是四项里差距最大的一项——终端 Agent 任务上,轻量执行层与旗舰档的差距最明显;AutomationBench 61.9 对 Opus 5.5 的 58.0,领先 3.9 分,是唯一的第一;DRACO 84.9 对 Opus 5.5 的 87.9、Hy4 的 90.7,差 3.0 与 5.8 分,排第三;APEX-Agents 1.1 64.2 对 Opus 5.5 的 72.9、Hy4 的 75.0,差 8.7 与 10.8 分。Hy4 的 TB 4.0 与 AutomationBench 同口径分数本轮调研未核实到,表中留空、不编造。
61.9 分、该项第一,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。这个第一的含金量要分两面看:一面是,它是 8 项交叉确认里唯一的第一,说明文心 5.5 Flash Preview 在 AutomationBench 这类自动化任务上有真实优势,与「Agent 工作负载的执行层」定位吻合;另一面是,它是唯一的第一——TB 4.0、DRACO、APEX-Agents 三项全部落后,不要把它读成整体领先。一个第一加三项落后,才是完整的画像。
DeepSWE v1.1 71.2、SpreadsheetBench V2 36.4、OfficeQA Pro V2 67.9、Agents' Last Exam(CLI)29.0——这四项只有文心 5.5 Flash Preview 一方的分数,对手分未交叉确认。它们能说明模型自身的绝对水平(例如 DeepSWE 71.2 的编程能力、OfficeQA 67.9 的办公能力),但不能用来排座次;本站不在表中填写未核实的对手分。官方图上另有两项零星对手分:GPT-6.1 Sol 的 TB 4.0 56.1(文心 46.5 落后 9.6 分)、DeepSeek V4.1 Flash 的 AutomationBench 57.2(文心领先 4.7 分)——这两项同样是百度官方图同场列出,非独立实测。
这张对比表最大的缺口不在百度,而在独立榜单:文心 5.5 Flash Preview 截至 11 月 16 日没有 AA 指数(未收录),LiveBench 与 LMArena 也未收录;Opus 5.5 与 Hy4 的 AA 指数、LMArena 与 LiveBench 同口径分数,在本轮调研中未核实到,本站不在表中填写。换句话说,这篇对比目前只能在「百度自报」这个口径内进行——对手分是百度官方图同场列出的,不是独立实测的同场对比。等 AA 收录、等独立复现,这篇对比才有第二版。
按档位选,不按胜负选:要旗舰档的终端 Agent 能力,TB 4.0 63.6 的 Opus 5.5 更合适;要 DRACO 与 APEX-Agents 上的高分,Hy4(90.7 / 75.0)更合适;要一个 14B 激活、1M 上下文、千帆 ¥2/¥8(忙时)或 OpenRouter $0.28/$1.13 的轻量执行层,并且 AutomationBench 这类自动化任务是主场景,文心 5.5 Flash Preview 是合理的选择——前提是接受 Preview 中间态(基准分可能随正式版变化)与权重未放出(不能自托管)的现实。
不强。四项同场对比里它只赢了 1 项(AutomationBench 61.9 对 58.0);TB 4.0 46.5 对 63.6、DRACO 84.9 对 87.9、APEX-Agents 64.2 对 72.9,全部落后。档位不同:它是 14B 激活的轻量执行层,Opus 5.5 是旗舰档。
DRACO 84.9 对 90.7、APEX-Agents 64.2 对 75.0,两项都落后;TB 4.0 与 AutomationBench 的 Hy4 同口径分数本轮未核实到。同样是档位差异:Hy4 是旗舰 MoE,文心 5.5 Flash Preview 是轻量执行层。
不是。全部数字均为百度官方发布页自报,对手分亦为官方图同场列出;截至 11 月 16 日,文心 5.5 Flash Preview 没有 AA、LiveBench、LMArena 的独立评分,无独立机构复现。
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)