百度文心5.1来了！成本大降，性能却悄悄追平国际巨头？

图源：LMArena官网

纯数学推理（AIME26）和通用知识问答（MMLU-Pro）在四款模型中均排名末位，与头部模型差距相对明显。

以下是我们的完整体验过程：

指令一：请为一个悬疑故事写出前三章大纲，每章150字左右。

总体来看这个悬疑故事的大纲挺完整，叙事结构比较规整，逻辑层次也清晰。人物行动动机比较合理，线索设置具象可落地，最后的身份反转颠覆感比较强，伏笔呼应也相对完整。不过，与现在市面上的流行的悬疑推理小说还有一定差距，对于模型本身来讲，这个水准还不错。

可以看到，第二篇在切入点、恐怖感上更有新意。对于短篇惊悚故事，这篇的“循环替身”更适合直接收尾，有《恐怖游轮》的循环压迫感。不过普通租客为何能查物业记录这一点可能是个bug。

指令二：写一篇500-600字的科幻微小说。

对于常读同类科幻故事的读者来说，剧情走向和结局伏笔可能略显套路化，缺少出人意料的设定创新。

从情感共鸣和叙事感染力看，第一篇相对更好。从科幻构思的新颖度和哲学深度看，第二篇略胜一筹。

案例二：给高考数学题，看它能不能按步骤算明白

用户在使用AI解决数学问题时，痛点比较明确：怕AI没有逻辑硬算，也担心AI编造解题步骤和错误答案。

题目为：一个箱子里有5个球，分别以1～5标号，若有放回取三次，记至少取出一次的球的个数为X，则E(X)为？

案例三：问两款大模型怎么选，看它能不能替普通人做信息整合

问题为：我想了解DeepSeek-V4-Pro、Claude-Opus-4.6到底各有什么强项和短板，普通人该怎么选、各自适合拿来干什么。

同时贴合了普通人使用习惯，做成表格对比、场景匹配、分人群推荐，最后还点明两款模型的隐藏短板和使用误区，给到务实的组合使用建议。

案例四：电子表格与职场数据分析能力测试

需求为：我是门店运营，统计了本店10名销售人员的当月个人成交业绩：12.3万、18.6万、9.2万、25.8万、16.5万、11.8万、20.4万、8.7万、22.1万、14.6万。

你按照Excel分析数据帮我处理：整理成规范员工业绩数据表，计算全员业绩平均值、中位数，筛选出业绩高于平均值的优秀员工，最后结合整体数据做简单的团队绩效分析。

于是我们再调整指令为：把这些数据仅用同一张表格来显示。

案例五：

要求：

-玩家可进行跳跃、二段跳和下滑

-地图自动向前滚动，包含屋顶缺口、广告牌、电箱、无人机等障碍

-路上有可收集的能量电池和金币

-玩家可以拾取临时道具，例如护盾、加速和磁铁吸附

-敌人为巡逻无人机和机械警卫，碰撞后会扣血-分数根据生存时间、移动距离和收集物计算-淑戏失败后可重新开始

-需要有开始界面、暂停功能和简单UI（血量、分数、速度）

针对第二个指令，该模型耗时3分钟生成600余行代码，但无法打开，界面一片漆黑。可见，该模型在复杂游戏编程与代码可运行性上仍存在明显短板。

其背后的主要技术更新，是一套叫Once-for-All的弹性训练方法。

首先是分离式架构。以前训练、推理、奖励计算、智能体循环四个环节耦合在一起，一个环节慢了会拖累整个系统。

现在百度将它们完全拆开，各自独立部署、独立扩缩容。比如推理算力不够就只扩推理，不用动其他模块。各模块之间通过高性能网络传数据，控制流和数据流分开，流水线可以重叠执行，训练整体耗时更短。

其次是FP8训推方面。由于模型训练时和推理时用的精度不一致，会导致效果下降，尤其在MoE结构里路由偏差更明显。

传统大语言模型的后训练是串行流程：先做监督微调（SFT），再做多阶段混合强化学习。

这种方式存在两个问题：一是慢，一个阶段等一个阶段拖慢整体迭代；二是能力会“打架”，想在一次训练里同时提升代码、推理、对话等多个能力，往往提升一个另一个就下降。

第一阶段统一SFT。先用高质量的多领域指令数据做一次基础微调，让模型具备基本的指令遵循和工具调用能力，作为后续能力扩展的起点。

第二个阶段，并行训练多个领域的专家模型，比如对代码、推理、智能体等方向分别独立训练。每个方向用自己专属的奖励信号和算法，互相不干扰。

第三个阶段是在线策略蒸馏（OPD）。把上一步训练好的多个专家模型当老师，统一SFT模型当学生。学生按照自己的策略采样，通过token级KL方法同时学习多个老师的能力，把不同专家的能力融合进同一个模型里。

最后是通用在线强化学习。并不是所有任务都适合用蒸馏来融合，比如开放式聊天、创意写作这类高熵分布的任务，蒸馏反而效率低，输出会变得过于平滑。所以这类任务不做蒸馏，而是在蒸馏后的模型上单独做在线强化学习，保证对话多样性、指令遵循能力和人类偏好对齐。

可以简单总结为，代码、推理这类确定性强的能力，通过蒸馏从专家模型融进主模型；聊天、写作这类需要多样性的能力不适合蒸馏，单独做强化学习。两套方式配合，既缩短了训练周期，又避免了能力互相拖累。

纵观行业，主流模型逐渐呈现能力差异化、使用场景分层化的发展趋势。对普通用户而言，成熟的基础模型能够降低内容创作、问题解答、数据整理的门槛，提升日常使用效率；对技术厂商而言，低成本、高性能的迭代方案，也将为国产大模型轻量化落地、规模化应用提供了可行路径。