华为盘古2.0 Flash高考实测：613分成绩与稳定性深度解析

大模型高考系列迎来新考生：华为盘古2.0 Flash

B站UP主王宇的「大模型高考系列」已更新至第十八期，本期迎来一位备受关注的新考生——华为公开的开源模型 openPangu 2.0 Flash。这套评测以高考六门科目（语文、数学、英语、物理、化学、生物）、总分750分为标准，是目前国内颇具代表性的大模型推理与知识能力横向测试框架。

据UP主介绍，盘古2.0 Flash采用 MoE（混合专家）架构，参数规模为 92B A6B（总参数92B，激活参数6B）。

什么是MoE架构？ MoE（Mixture of Experts，混合专家）是大模型领域近年来最重要的工程突破之一。其核心思想是将模型内部划分为多个「专家」子网络，每次推理时由一个门控（Gating）机制动态选择其中少数几个专家参与计算，而非激活全部参数。以盘古2.0 Flash的92B A6B为例，「92B」代表模型存储的全部参数量，决定了模型的知识容量上限；「A6B」（Activated 6B）则代表每次推理时实际参与计算的激活参数量，直接决定推理速度与单次调用成本。约6.5%的激活率，正是MoE架构相较于传统稠密模型（Dense Model）在推理成本上取得数量级优势的根本原因。OpenAI的GPT-4、谷歌的Gemini 1.5、以及国内的DeepSeek^广告、Kimi等头部模型均采用了类似设计。

激活参数仅6B的轻量设计，赋予了它在推理成本上的天然优势。最终，盘古2.0 Flash在全科测试中拿下 613分，在37个参与评测的大模型中 排名第33位。综合成绩虽不算亮眼，但结合其较小的激活参数规模，表现在预期范围之内。

稳定性隐患：推理链路通畅，输出环节失灵

本次评测中最值得关注的细节，发生在生物第6题上——盘古2.0 Flash多次尝试均无法给出有效回答。UP主查看日志后发现了一个耐人寻味的现象：模型的思考过程已经推理出了正确结果，但最终就是没能把答案输出出来。

这是一个典型的工程稳定性问题。大语言模型的生成过程可分为两个阶段：Prefill（预填充，处理输入并构建推理上下文）和Decode（解码，逐token生成输出）。当思考过程已得出正确结论，但最终答案却无法正确输出时，通常涉及以下几类工程问题：**指令遵循（Instruction Following）失效，模型无法将内部推理结果正确映射为结构化输出格式；解码策略（如采样温度、top-p参数）设置不当，导致高概率token被意外屏蔽；或格式约束（Constrained Decoding）**逻辑存在缺陷，在强制输出特定格式时截断了有效内容。MoE模型由于专家路由的动态性，在长文本生成的稳定性控制上往往比稠密模型面临更复杂的挑战。推理链路是通的，输出环节却掉了链子。UP主也直言，这说明盘古2.0 Flash的稳定性「还有待提高」。

不过在成本层面，盘古的表现相当出色——完成整套高考测试的花费不到一元钱。对于预算敏感、任务相对标准化的应用场景，这样的成本优势不容小觑。

榜单新增筛选功能：开源与国别一目了然

本期评测榜单同步上线了实用的产品更新——新增 多维度筛选功能，用户可快速过滤：

• 按国别：仅看中国模型或美国模型
• 按模态：多模态模型或纯文本模型
• 按开放程度：仅查看开源模型

华为盘古也在开源模型列表之中。这一点是盘古2.0 Flash的重要加分项——在企业应用场景中，开源模型与闭源API模型代表着截然不同的技术路线。闭源API模型（如GPT-4、Claude）按token计费，数据需发送至第三方服务器，在金融、医疗、政务等数据合规要求严格的行业存在明显障碍。开源模型则允许企业在本地或私有云环境中自主部署，数据全程不出域，满足《数据安全法》《个人信息保护法》等监管要求。在国产开源大模型阵营中，华为的加入进一步丰富了可自主部署的选项。MoE架构的低激活参数特性（6B）意味着企业可以用消费级GPU甚至边缘设备完成推理部署，大幅降低私有化部署的硬件门槛。对于注重数据合规、有私有化部署需求的企业用户来说，一个开源、低成本的国产MoE模型本身就具备独特价值，即便综合排名不靠前。

作文评分机制揭秘：双模型交叉打分

大模型的高考作文究竟如何评分？UP主详细解释了这套机制：评分模仿高考「双评卷」模式，由 GPT-4.1 和 Claude Sonnet 5 两个模型交叉打分。

LLM-as-Judge：用AI评估AI 用大语言模型评估大语言模型输出质量，在学术界被称为「LLM-as-Judge」范式，是当前AI评测领域最活跃的研究方向之一。对于作文、开放问答等主观题，传统的规则匹配或人工评分成本极高且一致性难以保证，而高能力的LLM在语义理解和逻辑判断上已接近甚至超越普通人类评卷员。使用两个不同模型交叉打分，是为了规避单一评分模型的系统性偏见——不同模型因训练数据和对齐策略的差异，对文风、立意的偏好存在显著差异。这一设计借鉴了统计学中的**评分者间一致性（Inter-rater Reliability）**原则：当两个独立评分来源高度一致时，结果可信度更高。

评测过程中还出现了一个值得记录的插曲。从美团 LongCat 2.0 开始，评卷模型之一从 Sonnet 4.6 换成了 Sonnet 5。UP主随即发现 LongCat 的作文分数异常偏高，一度怀疑是 Sonnet 5 的打分标准比旧版更为宽松。

重新评分验证：LongCat作文实力过硬

为排除评分偏差，UP主让两位「评卷模型」对所有参测模型的作文重新进行统一打分。结果颇具说服力：即便重跑一遍，LongCat 的作文分数依然稳居第一，得分54.5分。

这个验证过程体现了评测的严谨态度——发现异常数据时，不急于归因，而是通过统一标准重新对齐来排除变量干扰，正是LLM-as-Judge实践中处理「评分模型漂移」问题的标准做法。从公开评语来看，LongCat 的作文立意「比较有新意」，两位评卷模型均给予正面评价。这也侧面说明，MoE架构模型在语言表达、创意写作等偏文科任务上，表现可能不输甚至超越纯理科推理。

下期预告：腾讯混元3正式版即将登场

视频末尾，UP主透露：同样以不到九毛钱完成测试的腾讯混元3，此前参评的是 preview（预览）版本，而正式版已于近期发布，据称能力提升相当显著。

下一期，腾讯混元3正式版将拿到「准考证」参加高考实测，其提升幅度值得期待。

写在最后：如何理解这份榜单的价值

正如UP主反复强调的：大模型测试存在偶然性，任何榜单都只代表特定提示词下的特定结果。盘古2.0 Flash在生物题上的「输出失灵」，正是这种偶然性的直观体现。

这套高考评测的真正价值，不在于给模型排出绝对高下，而在于提供一个统一、可复现的横向对比框架，让我们能直观感知不同模型在推理、知识、写作等维度的差异。模型选型最终还是要回归自身的业务场景与预算——盘古2.0 Flash综合排名第33，但其开源、成本极低、支持私有化部署的特性，在金融、政务、医疗等数据合规敏感场景下反而可能是更优的选择。

核心要点