同一张自测表 24 项第一,为什么还不能说赢
百度官方模型卡给出一张 30 项评测表,把 ERNIE-5.5-Flash-Base(280B/14B)与 DeepSeek-V4-Flash-Base(284B/13B)、Hy3-preview-Base(295B/21B)、MiMo-V2.5-Base(310B/15B)放在同一套评测框架、相同 prompt 与 few-shot、同一裁判模型下对比。官方自测口径下 ERNIE 在 30 项中拿下 24 项第一,MMLU 93.3、MMLU-Pro 78.4、HumanEval+ 82.3、LiveCodeBench 40.1、RepoQA 91.7;另有 6 项不是第一,包括 ChineseSimpleQA、BBH 思维链、INCLUDE-lite、FullStackBench、HELMET-Rerank 与 InfiniteBench。本文不是许可证横评,只谈这张自测表能说明什么、不能说明什么:仍是厂商自己跑的自测且未见第三方复现,四款都是未经后训练的 Base checkpoint,分数不等于聊天或智能体体验,不同榜单设置不同严禁跨榜比较;并给出激活占比、KV cache、128K 训练与 1M 推理外推、后训成本等选型维度。