百度开源 2800 亿参数 ERNIE 5.5 Flash Base 基础模型

百度的 AI 研发依然活跃，但大部分工作要由你自己完成。这家中国公司发布了 ERNIE-5.5-Flash-Base，这是一个开放的基础模型，刻意不附带微调或后训练。开发者需要自行决定把这个模型带向何方。预计后续会推出一个经过后训练的版本。

ERNIE 5.5 采用混合专家架构，参数量为 2800 亿，每次输入激活其中 140 亿。该模型在 33.5 万亿 token 上完成预训练，训练上下文最高达 128,000 token，不过它被设计为在微调和推理时支持最高 100 万 token 的上下文。百度称，在推理、代码和长上下文任务的基准测试中，该模型可与 DeepSeek V4 Flash、MiMo V2.5 等同等规模的开源基础模型竞争。权重已在 Hugging Face 上以 FP8 和 BF16 两种格式提供。

百度发布开放基础模型 ERNIE-5.5-Flash-Base，采用 2800 亿参数混合专家架构、每次输入激活 140 亿参数，刻意不做微调与后训练，把「往哪里走」的决定权交给开发者，后训练版本预计后续推出。

• 百度发布开放基础模型 ERNIE-5.5-Flash-Base，采用 2800 亿参数混合专家架构、每次输入激活 140 亿参数，刻意不做微调与后训练，把「往哪里走」的决定权交给开发者，后训练版本预计后续推出。
• 原贴提到：Baidu's AI development is still alive, but most of the work is on you. T
• 来源：the-decoder.com

这是什么信号

百度这次拿出的不是「开箱即用」的对话模型，而是一个 base model：只做完预训练，不做微调、不做后训练。2800 亿总参数、140 亿激活参数的 MoE 结构，33.5 万亿 token 的预训练数据，训练上下文 128K，并声明在微调与推理阶段可支持到 100 万 token。权重以 FP8 和 BF16 两种精度放在 Hugging Face 上。

关键信息藏在「刻意不做后训练」这句话里。它意味着发布方交付的是原材料，不是成品；对齐、指令跟随、领域适配这些通常由厂商完成的工序，被整体外包给了下游开发者。官方同时表示，后训练版本「预计」会跟上——也就是说先放开底座、再观察社区反应，是一种带试探性质的开源节奏。

为什么重要

第一，它把竞争维度从「模型好不好用」拉回到「底座够不够扎实」。厂商自评的对标对象是 DeepSeek V4 Flash、MiMo V2.5 这类同量级开源基座，指向的是预训练质量与架构效率，而不是榜单上的对话体验。

第二，140 亿激活参数是一个务实的成本设计。总参数决定能力上限，激活参数决定推理账单；对需要自建推理集群的团队来说，这个比例直接决定了单位 token 成本能否落在可接受区间，FP8 权重也降低了显存门槛。

第三，长上下文的说法需要分开看。128K 是训练时的上下文，100 万 token 是「设计上支持」的微调与推理长度，两者不是一回事。前者是既成事实，后者是待验证的能力承诺，实际有效长度取决于微调方式和任务类型。

对谁有价值

• 有后训练能力的团队：手上已有 SFT / RL 流水线和领域数据，缺的是一个干净的、中文能力可期的底座，这类团队是本次发布的最大受益者。
• 做垂直行业模型的厂商：医疗、法律、金融等场景需要深度定制，底座不预置对齐反而减少了「洗掉原有偏好」的成本。
• 推理成本敏感的工程团队：MoE + FP8 的组合值得做一次部署基准测试。
• 做模型评测与选型的从业者：多了一个同量级的对照样本。

反过来，只想调 API 做应用的团队基本不受影响——base model 不能直接对话，拿来做产品等于自己补上整个后训练环节。

可以怎么行动

1. 先用 FP8 权重跑一次推理基准，测清 14B 激活在自有硬件上的吞吐与显存占用，再决定是否投入。
2. 用自己业务领域的小规模高质量数据做一次 SFT 对照实验，与现用开源模型在同一评测集上比，重点看中文与长文档任务。
3. 专门设计长上下文压力测试：把 128K 训练长度与宣称的 100 万长度分开验证，确认有效检索深度与位置偏差。
4. 把「后训练版本发布」列为观察项，届时再决定是继续自建后训练还是直接采用官方版本。

风险与限制

• 基准来自自评：与 DeepSeek V4 Flash、MiMo V2.5 的对比是百度自己的说法，缺少第三方复现。
• base model 与可用产品之间有一道深沟：没有指令微调意味着不具备对话与指令跟随能力，把它当成品评估会得出错误结论。
• 百万上下文仍是承诺而非实测：在长上下文任务上的实际表现存在明显不确定性。
• 信息缺口：原文未披露许可证条款、商用限制、后训练版本的时间表，这些都会直接影响可用性判断，需以官方模型卡为准。
• 维护风险：先发底座、后补后训练版本的节奏，意味着早期采用者要承担版本切换与适配成本。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《百度开源 2800 亿参数 ERNIE 5.5 Flash Base 基础模型》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

• Matthias Bastian 原帖