11小时写完整游戏:百度ERNIE 5.5 Flash长任务实测

流云 2026-11-12 970 0条评论
摘要: 百度11月11日推出ERNIE 5.5 Flash Preview,一款高效推理型稀疏MoE模型。总参数280B,单次激活14B,100万token上下文。它是ERNIE 5.5...

百度11月11日推出ERNIE 5.5 Flash Preview,一款高效推理型稀疏MoE模型。总参数280B,单次激活14B,100万token上下文。它是ERNIE 5.5 Flash Base的首个后训练版本,主打长周期任务的端到端执行——接过一个目标,自己拆子任务、调工具、写代码、验结果,中途不需要人把步骤喂进去。目前可通过百度千帆与OpenRouter调用,OpenRouter上有免费档,权重承诺不晚于11月25日以Apache 2.0开源。

先说它最硬的一个案例。在一项11小时的长程编码任务里,模型把跨越多代虚幻引擎的素材合入同一个UE 5.8工程,并用C++写完整个游戏。注意,它是纯文本模型,看不到画面。它怎么判断游戏有没有问题?把试玩中发现的角色悬空、跑动方向不一致、相机错位转成可测量的代码测试,靠不断补全的测试与反馈继续迭代。说白了,它不看画面,它写测试。整条链路在AI智能体框架中端到端完成。在AI工具导航的长任务智能体分类里,这种“把视觉问题转成可测量测试”的做法,比单纯提高多模态能力更贴近工程现实。

四类产出,重点不在单点质量

产出类型具体做法技术路径
可玩小游戏按策划案做出近百款手机小游戏,机制、内容、美术、音效齐全Cocos、Unity、LayaAir、PixiJS、Canvas 2D
三维建模从文本描述推断形状比例,用脚本落成可编辑模型Blender Python API、FreeCAD
研究报告20页研究报告、可交互Excel、24页PDF分析多步材料处理与蒙特卡洛模拟
成片视频116秒2D动画短片,上万行代码驱动逐帧绘制Pycairo矢量绘制,叠加生图工具底图

游戏这块值得展开。多数作品把规则层与表现层分开做成确定性模拟,再用机器人试玩与状态空间搜索检查关卡能否通关、数值是否平衡。这个思路和写测试是一回事——把“好不好玩”这种主观判断,先转成“能不能通关”这种可测量指标。三维建模侧,官方示例里两个Agent分别用Blender Python API制作机场与飞机,用截面放样和模块化装配做出机身机翼,最后统一尺度、位置与镜头,用Cycles分帧渲染再合成视频。报告侧,个人财富规划工作簿把收入、支出、资产配置、负债与退休计划做成可实时调整参数的推演模型,纳入1000条随机市场路径的蒙特卡洛模拟,给出退休计划的成功概率与资金耗尽风险。视频侧,一条75秒科普片的脚本、配音、字幕、受力图解与剪辑均由模型完成,部分镜头画面借助Seedance 2.5生成。

和同代推理模型比,强在哪弱在哪

对比项ERNIE 5.5 Flash PreviewClaude Opus 5.5GPT-6.1 SolGLM-5.3
Terminal-Bench 4.046.563.6*56.138.8*
AutomationBench61.958.0*49.3*50.7*
SpreadsheetBench V236.435.1*32.0*32.7*
DeepSWE v1.171.274.275.266.9
Agents’ Last Exam(CLI)29.032.4*29.5*22.9*

数据取自百度官方发布页附录的评测图,带星号的分数为自评成绩,各模型评测设置与自评口径可能存在差异,成绩仅供横向参考。ERNIE 5.5 Flash Preview在AutomationBench上以61.9高于Claude Opus 5.5的58.0与GPT-6.1 Sol的49.3,差异是Terminal-Bench 4.0只有46.5,低于Claude Opus 5.5的63.6。这个结构说明它更擅长多步业务流程自动化,纯终端任务不是强项。在AI办公软件推荐的选型逻辑里,先看你的任务落在哪个维度——跨系统流程自动化看它,纯命令行调试看Claude。

怎么用:两个入口,一个注意

目前只经接口调用,百度千帆与OpenRouter两个入口给出的是同一套能力。千帆的模型服务页创建API Key,按模型接入点选择;OpenRouter侧用baidu/ernie-5.5-flash-preview:free,输入与输出均按0计价。送请求按OpenAI兼容格式提交messages,单次上下文上限100万token。视觉理解、素材检索、生图与视频模型由工具层提供,模型本身只处理文本;长周期任务交给上层Agent框架拆分与回收,模型按子任务粒度响应。

两点需要留意。它是纯文本模型,读图要靠外部视觉工具配合。预览版属于后训练过程中的中间版本,官方声明仍可能存在训练不充分导致的能力缺陷,后训练还在继续;对稳定性要求高的场景建议等正式版。权重开源是这一代的关键一步,Base已于11月5日开放,Preview官方给出的时间点是不晚于11月25日,官方英文发布页明确权重将以Apache 2.0协议开源,正式采用前仍需以权重仓库的LICENSE原文为准。

ERNIE 5.5 Flash Preview的价值不在于参数堆到280B,而在于它把“长任务端到端”做成了可验收的产出——11小时写完一个游戏、近百款小游戏、可编辑三维模型、带蒙特卡洛模拟的报告、上万行代码驱动的动画短片。这些产出的共同点是“过程长、中间要反复判断、结果可以验收”。但它还是预览版,纯文本、能力缺陷可能存在、权重还没放出。对把长周期开发与文档交付整体交给模型的团队,这是一个可实测的选项;对稳定性要求高的生产场景,等正式版更稳妥。长任务智能体正在从“能跑几步”走向“能跑完一整条链路”,ERNIE 5.5 Flash Preview是这条路线上的一个明确信号。

文章版权及转载声明:

作者:流云本文地址:https://www.sanwenge.com/post/1577.html发布于 2026-11-12
文章转载或复制请以超链接形式并注明出处三文阁