百度最强模型深度实测：五大场景表现卓越，搜索能力突出

百度文心5.1模型发布：成本大幅降低，多维度能力实测解析

5月9日，百度正式推出新一代基础模型——文心5.1。官方信息显示，新版本在成本控制方面成效显著：总参数压缩至前代约三分之一，激活参数减半，并以业界同规模模型约6%的预训练成本，实现了同级别模型中的基础效果领先。需注意的是，该“6%成本”的具体对标范围与计算口径，百度未作详细说明。

在LMArena于5月7日更新的全球文本生成大模型排行榜中，文心5.1位列总榜第14名。虽然与排名更靠前的OpenAI、xAI等公司的模型得分差距不大，但追赶空间依然存在。

▲图源：LMArena官网

为明确其能力定位，百度将文心5.1与DeepSeek-V4-Pro、Claude-Opus-4.6及Gemini-3.1 Pro三款模型，在Agent智能体、知识、推理和指令遵循等核心维度进行了横向对比。

在Agent能力测试中，文心5.1表现有亮点也有不足。其工具调用和数学推理能力较好，得分仅次于Gemini-3.1 Pro，排名第二。在多轮工具协作交互任务上，弱于Claude-Opus-4.6，同样位居次席，但与另两款模型差距不大。然而，在深度搜索Agent任务中，文心5.1明显落后于其他三款模型；电子表格工具操作能力也仅领先于DeepSeek-V4-Pro，与Claude-Opus-4.6和Gemini-3.1 Pro存在较大差距。

▲图源：百度文心公众号

在知识、推理与指令遵循的综合测试中，文心5.1整体处于中等水平。具体而言，其在高阶学科知识推理（GPQA）和复杂指令遵循（AdvanceIF）方面表现较好，仅次于Gemini-3.1 Pro，领先于另外两款模型。但在纯数学推理（AIME26）和通用知识问答（MMLU-Pro）上，它在四款模型中均排名末位，与头部模型的差距相对明显。

▲图源：百度文心公众号

距离文心5.0正式版上线三个多月后，文心5.1是一次重要迭代。发布之际，该模型登上了LMArena榜单中国内大模型搜索能力榜的首位。

▲图源：百度文心公众号

为更直观感受其能力边界，我们从创意写作、数学推理、信息整合、电子表格操作和编程能力五个贴近用户的维度，对文心5.1进行了一次综合实测。

需说明的是，在创意写作与电子表格数据分析任务中，我们均采用了文心5.1的“思考模型”进行二次验证。与“快速模型”相比，“思考模型”产出的内容在叙事风格上更有质感，情感调性更细腻自然，且未出现基础性逻辑或文字错误。在表格数据分析任务上，“思考模型”的整体表现也更为出色。

总体来看，文心5.1在解答概率题时步骤严谨、答案准确；面对开放式模糊需求，它能自主拆解任务，输出表格对比和场景匹配建议，信息整合能力不错。然而，其在编程场景中的短板较为突出，生成的代码无法正常运行，实用编程能力仍有明显欠缺。

以下是详细的体验过程：

一、五大应用场景实测：创作、数理、办公、编程能力验证

场景一：创意写作能力测试，考察故事架构与文学创作

首先，使用文心5.1的“快速模型”测评其创意写作能力。

指令一：请为一个悬疑故事写出前三章大纲，每章150字左右。

结果显示，该悬疑故事大纲结构完整，叙事层次清晰，人物动机合理，线索设置具体，身份反转具备一定冲击力，伏笔呼应相对到位。但情节设计相比流行作品略显常规。就模型产出而言，水准尚可。

随后，用相同指令测试“思考模型”。

第二篇大纲在故事切入点和恐怖氛围营造上更有新意。“循环替身”设定适合短篇惊悚故事收尾，能营造循环压迫感。但故事中“普通租客查物业记录”的细节可能存在逻辑漏洞。

接着，让“快速模型”尝试创作科幻微小说。

指令二：写一篇500-600字的科幻微小说。

小说在篇幅控制、叙事闭环和情感刻画上不错，文字流畅，完成度较高。但叙事框架较常见，且出现了人物身份混乱的失误——主角之一是“爸爸”，但中间对话误写为“妈妈”。对科幻读者而言，剧情走向和结局伏笔可能略显套路。

将相同指令交给“思考模型”。

“思考模型”产出同样围绕“意识上传”主题。两篇文章在叙事重心、情感落点、科幻设定和审美取向上差异明显。第二篇未出现人设混乱问题。从情感共鸣看，第一篇更打动人；从科幻构思新颖度与哲学深度看，第二篇略胜一筹。

场景二：数学推理能力测试，解答高考数学题

用户使用AI解数学题时，常担心两点：AI无逻辑硬算，或编造解题步骤与答案。

为此，我们向文心5.1提出一道2025年新高考一卷数学题，检验其解决实际问题的能力。

题目：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？

文心5.1给出了完全正确的解答。无论是使用指示变量法，还是用分布法交叉验证，步骤都完整清晰，结果准确无误。

场景三：信息整合能力测试，辅助普通人决策分析

普通用户常难以区分主流大模型的强弱项，也不清楚如何根据自身场景选择。为对标文心5.1官方强调的Agent能力（如多轮工具协作、深度信息检索整合），我们抛出一个模糊需求，观察其表现。

问题：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。

文心5.1在此任务上整体表现优秀。它能自主拆解任务逻辑，无需人工引导，便从多个维度进行逐层解释对比，信息维度全面且划分精准，展现出良好的信息检索与归纳能力。同时，回答非常贴合普通人使用习惯：制作了对比表格、进行了场景匹配、给出了分人群推荐，最后点明了两款模型的隐藏短板和使用误区，提供了务实的组合使用建议。

场景四：电子表格与职场数据分析能力测试

对职场运营、门店管理或电商运营人员而言，员工绩效统计、数据筛选、业绩排名和均值分析是日常高频需求，通常依赖Excel等表格工具。我们测试了文心5.1“快速模型”的电子表格操作能力。

需求：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。请你按照Excel分析数据的思路帮我处理：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。

结果是，文心5.1在此任务上完成度较高，但最初未将所有数据整合到一张表格中呈现。

于是追加指令：帮我做成一份直观的Excel表格，包含所有数据，同时可复制。文心5.1的反馈比最初更精简，但“一份”指令可能带来理解误差。

再次调整指令：把这些数据仅用同一张表格来显示。

最终，文心5.1给出了不错的结果。尽管官方测试中其表格操作能力排名靠后，但在文本形态的职场数据分析场景里，实际体验并未预想中差劲，能满足基础需求。不过，输出过程略显磕绊。

随后，用相同指令测试“思考模型”。结果显示，“思考模型”输出的第一份结果更为简洁规范，清晰直观，与“快速模型”第三次输出结果几乎一致。

场景五：编程能力测试，考察代码生成与可运行性

我们使用文心5.1的“思考模型”，尝试让它制作两个游戏。

指令一：制作一个单文件HTML的3D横版格斗游戏，场景为被霸天虎入侵的破败城市地图，敌人为类人型赛博坦机器人，包含武器后坐力效果，采用低多边形风格并带有卡通美学。游戏开始时，玩家位于街道上，周围有建筑废墟；游戏中应包含可被击倒的细节物品，如汽车、树木、石块/瓦砾和自动售货机。玩家可以选择5种擎天柱阵营角色进行游戏，并与5种霸天虎变种敌人战斗，这些敌人会不断生成，游戏为无限时间的沙盒模式。

针对此复杂指令，文心5.1“思考模型”生成了700余行代码。实际运行时，游戏能正常打开，但界面存在两个遮挡bug，且玩家无法攻击敌人，基本无法操作。

指令二：制作一个单文件HTML的横版跑酷游戏，不依赖外部资源。主角是一名未来都市快递员，在霓虹城市屋顶之间不断前进。游戏采用低多边形风格，整体偏明亮卡通美术。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-游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）-所有内容写在一个HTML文件中，代码可直接运行

针对第二个指令，模型耗时3分钟生成了600余行代码，但文件无法正常打开，界面一片漆黑。可见，文心5.1在复杂游戏编程与代码可运行性上，仍存在明显短板。

二、弹性训练实现降本增效，架构与后训练流程革新

文心5.1并非从零训练，而是在文心5.0基础上进一步优化。其关键在于，它没有重新训练，而是从文心5.0训练好的子模型矩阵中，直接挑选出效果最好的一个子结构使用，从而大幅降低预训练成本。

这背后依赖的核心技术，是一套名为Once-for-All的弹性训练方法。

传统做法要适配不同规模模型，需分别进行多次预训练。而文心5.0通过一次预训练，利用动态采样技术同时优化大量不同尺寸的子模型，最终形成覆盖多种参数规模和计算成本的子模型矩阵。这意味着，文心5.1在训练阶段就备好多种“型号”，上线时只需直接选用最合适的一个，无需每次都从头训练。

基于此弹性训练方法，文心5.1在参数和成本上实现显著优化：总参数量压缩至文心5.0的三分之一左右；激活参数量压缩至约一半；预训练算力成本仅为业界同规模模型的6%。与文心5.0相比，文心5.1的推理成本明显下降，同时在同等参数规模下，其基础效果在同级别模型中表现更佳。

▲文心5.0弹性训练示意图（图源：百度文心公众号）

除了训练策略，文心5.1在训练方式上也进行了三方面革新：

首先是分离式架构。过去，训练、推理、奖励计算、智能体循环等环节耦合，一个环节的瓶颈会拖累整个系统。现在，百度将这些环节完全拆解，各自独立部署、独立扩缩容。例如，当推理算力不足时，只需扩展推理模块，无需触动其他部分。各模块之间通过高性能网络传输数据，控制流与数据流分离，实现流水线重叠执行，从而缩短整体训练耗时。

其次是FP8训推一体化。由于模型训练和推理时使用的精度不一致，往往会导致效果下降，在MoE（混合专家）结构中，路由偏差问题尤为明显。为此，文心5.1采用了统一的FP8低精度算子库，并对Rollout Router Replay技术进行了优化。结果是，在开启该技术后，训练推理耗时几乎没有增加，但关键指标KL散度下降了50%，训练过程更加稳定。

最后是异构弹性调度。集群中常存在大量CPU算力闲置，文心5.1将这些CPU资源统一池化，用于运行代码沙箱、验证器等逻辑计算密集但无需GPU的任务。这不仅提升了资源利用率，也缩短了训练迭代时间。

传统大语言模型的后训练通常采用串行流程：先进行监督微调（SFT），再进行多阶段混合强化学习。这种方式存在两个问题：一是速度慢，阶段之间相互等待拖慢整体迭代；二是能力“打架”，试图在一次训练中同时提升代码、推理、对话等多种能力时，往往会出现提升一个、另一个就下降的情况。

文心5.1的解决方案是将专家训练和能力融合拆分开来，分四步走：

第一阶段是统一SFT。先用高质量的多领域指令数据进行一次基础微调，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。

第二阶段，并行训练多个领域的专家模型。例如，针对代码、推理、智能体等不同方向分别进行独立训练。每个方向使用自己专属的奖励信号和算法，互不干扰。

第三阶段是在线策略蒸馏（OPD）。将上一步训练好的多个专家模型作为“老师”，将统一SFT后的基础模型作为“学生”。学生按照自己的策略进行采样，通过token级别的KL方法同时向多位老师学习，从而将不同专家的能力融合进同一个模型中。

最后是通用在线强化学习。并非所有任务都适合用蒸馏来融合，例如开放式聊天、创意写作这类输出分布不确定性高（高熵）的任务，蒸馏反而效率低下，容易导致输出过于平滑、缺乏个性。因此，这类任务不进行蒸馏，而是在蒸馏后的模型基础上，单独进行在线强化学习，以确保对话的多样性、指令遵循能力以及与人类偏好的对齐。

简而言之，对于代码、推理这类确定性强的能力，通过蒸馏从专家模型融合进主模型；对于聊天、写作这类需要多样性的能力，则单独进行强化学习。两套方式相互配合，既缩短了训练周期，又避免了不同能力之间相互拖累。

▲文心5.1后训练Pipeline示意图（图源：百度文心公众号）

根据百度内部评测数据，文心5.1的创意写作能力已接近Gemini-3.1 Pro的水平。此前，文心5.0系列模型已多次登上LMArena的文本榜和视觉理解榜，稳居国产模型第一梯队。

总结：低成本实现性能追赶，综合能力仍有提升空间

文心5.1最引人注目之处，或许并非某项能力的单项突破，而是它试图回答一个行业核心问题：能否用显著降低的训练成本，换来接近头部模型的综合性能？

从百度披露的数据看，在知识推理、指令遵循和创意写作方面，它确实站到了同量级模型的第一梯队；但在工具调用的深度、电子表格操作和纯数学推理上，与Claude-Opus-4.6、Gemini-3.1 Pro等顶尖模型之间，仍存在可量化的差距。

从实际体验看，文心5.1在数学题解答、生活化知识科普等面向普通用户的场景中表现稳定，信息整合和逻辑拆解能力也可圈可点。然而，其创意内容有时难免套路化，高阶表格办公能力相对偏弱，部分场景需要用户反复调整指令才能达到理想效果。

纵观整个行业，主流大模型的发展正逐渐呈现出能力差异化、使用场景分层化的趋势。对普通用户而言，成熟的基础模型能够有效降低内容创作、问题解答、数据整理的门槛，提升日常效率。对技术厂商而言，这种低成本、高性能的迭代方案，无疑为国产大模型的轻量化落地与规模化应用，提供了一条颇具可行性的路径。