Flower 放出 Endeavor 1.1：能看图的「前沿模型」，思考过程全给你看，还能拿输出训练自己的模型
3分钟看懂
Flower Labs 在 11 月 3 日发布了 Endeavor 1.1。这是一家欧洲公司，主业本来是"联邦学习"——让多台机器一起训练模型而不用把数据搬到一处。它在 4 月放了 7B 的 Lizzy（主打英国场景），9 月放了 Endeavor 1.0，现在这是今年第三个模型。
这次升级有三件事：模型开始能看图（读图表、看截图、理解示意图）；可以选在欧盟境内的 GPU 上跑推理；推理和编码能力比 1.0 有明显提升，官方给出的 GPQA 从 92.0 涨到 94.4，HumanEval 从 98.2 涨到 99.9。
但真正值得写它的原因不是分数。Flower 在博客里直接点名批评了 OpenAI 和 Anthropic 的两条做法：一是只给你"思考摘要"，不给你完整的思考轨迹；二是禁止你拿模型输出训练别家的模型。Endeavor 1.1 把这两件事反过来做——思考轨迹可读、输出和轨迹归客户所有、可以拿去微调或训练自己的专用模型。
对谁有用：数据不能出境的欧洲团队和跨国公司的合规部门；想把模型放进自己机房、又不想自己从零训一个前沿模型的工程团队；以及需要审计 AI"为什么这么答"的金融、国防、医疗类客户。
需要说明：模型参数、部署方式、跑分这些硬信息来自 Flower 官方博客、官方模型页和官方 X；对行业格局的判断与部分对比，基于多家媒体转述整理。
这次真正变了什么
三处变化，从实到虚。
第一，能看图了。Endeavor 1.0 是纯文本模型，1.1 加了图像输入。官方举的用法很具体：问一张图表里的趋势、看懂报错截图、梳理示意图里的关系。这块的分数是 MMMU-Pro 81.1——注意这个数字在同组里不算第一。
第二，多了"欧盟境内推理"。这条对很多公司是硬需求。Flower 的说法是，全球 API 并不保证推理发生在某个具体区域；它举的例子是 Azure 的英国区按 token 计费服务还停留在 GPT-4o 和已经 18 个月大的 GPT-4.1 mini。从 1.1 开始，客户可以在"全球"和"欧盟 GPU"之间选，都带服务等级协议（SLA）。官方还说要继续加英国专属，以及中东、亚洲、非洲的区域选项。
第三，能力整体上台阶。GPQA（研究生级科学问答）94.4，HumanEval（写代码）99.9，IFEval（指令遵循）94.5，AIME 2026（数学竞赛）99.9。相比 1.0，官方说单在 GPQA 上就相当于少了约 30% 的错误。
榜单怎么看：赢在哪，输在哪
Flower 自己列了一张对比表，对手是 GPT-5.6 Sol、Claude Fable 5、Kimi K3、Nemotron 3 Ultra。五个项目里，它拿了两个第一：
- GPQA：94.4，高于 GPT-5.6 Sol 的 94.1、Kimi K3 的 93.5、Claude Fable 5 的 92.6、Nemotron 3 Ultra 的 86.7
- HumanEval：99.9，明显高于 GPT-5.6 Sol 的 95.1、Claude Fable 5 的 97.0
- AIME 2026：99.9，和 GPT-5.6 Sol、Claude Fable 5 打平
- IFEval：94.5，输给 GPT-5.6 Sol 的 95.9
- MMMU-Pro：81.1，输给 GPT-5.6 Sol 的 83.0，也略低于 Kimi K3 的 81.6
按四项文本基准等权平均算综合分，官方给的是 97.18，对手依次是 96.25（GPT-5.6 Sol）、95.30（Claude Fable 5）、94.83（Kimi K3）、92.28（Nemotron 3 Ultra）。
这张表要这么读：
一是所有数字都来自 Flower 自己的测试。截至发稿，没有第三方独立复现，模型也没有开放下载。TechCity Authority 在报道里也明确写了这一点。
二是"综合分领先"这件事的含金量取决于选哪四项。GPQA、AIME、HumanEval、IFEval 这四项恰好是它占优或打平的项目；如果换成多模态、长程 Agent、真实仓库改代码这类更接近生产环境的评测，结论未必一样。它自己在 MMMU-Pro 上就落后。
三是 HumanEval 这个基准本身已经接近饱和——99.9 和 95.1 的差距在实际写代码体验里未必能感知到。真正能区分的是长任务里的稳定性，那是榜单测不出来的。
它真正在卖的东西：可控、可查、可拿走
如果只看分数，Endeavor 1.1 是个"并列第一梯队"的新选手，可替代性很强。它真正差异化的地方在三条承诺上。
可查：你能读到模型完整的、人类可读的思考轨迹。Flower 说 OpenAI 只给摘要，Anthropic 通常不给原始轨迹。对需要复盘的场景——比如一次自动化的漏洞修复为什么改错了行——原始轨迹和摘要的差别很大。
可拿走：推理产生的输出和轨迹归客户所有，可以用来训练自己的模型。官方举的例子是：一个工程团队把验证过的修复方案连同对应轨迹收集起来，训一个围绕自家系统的排障小模型。这条对很多企业是刚需，因为主流厂商的服务条款通常禁止用输出训练竞品模型。
可控：三种部署形态——Flower 托管、私有云、企业自己的机房。跑在自己的环境里，模型和敏感工作负载不出门，升级节奏自己定。
这里有个容易被忽略的细节：Endeavor 1.1 不是开源模型。它没有权重下载，只能申请试用。官方说它是"在领先开放权重模型已有的通用语言理解、公共知识和常见编码模式之上"，加上自家的持续预训练、后训练和 Lizzy 的英国专精知识整合而成。也就是说，它的"开放"指的是"你可以把它装进自己机房"，而不是"你可以拿到权重随便改"。这两件事经常被混为一谈。
怎么用：目前只有一条路
去 flower.ai 的 Endeavor 页面点 Request Access，说明你要全球推理还是欧盟推理，然后等审批。没有公开定价，没有自助注册，没有免费额度。审批通过后，接入方式按你选的部署形态走：托管服务走 API，私有部署由 Flower 协助装进你自己的云或机房。
适用场景：谁适合用，谁不适合
适合的：
- 受数据驻留法规约束的欧洲企业、公共部门、金融机构
- 需要审计 AI 决策过程的安全团队、合规团队
- 想把模型长期沉淀成自家资产、而不是每月付 API 费的团队
- 已经在用 Flower 做联邦学习、想把推理也放在同一套控制面里的客户
不太适合的：
- 想下载权重自己改架构、做深度定制的——它不开源
- 想立刻上手做原型、按 token 付费的独立开发者——要审批，还不知道价格
- 只看公开榜单选型的采购——目前只有厂商自测数据
- 对多模态要求高的——图像能力是这代新加的，MMMU-Pro 上还落后
避坑：五个必须先知道的限制
- 只有自测数据。没有第三方复现，没有独立评测机构的报告。
- 不开源。官方措辞是"在开放权重模型基础上构建"，但成品不提供权重下载。
- 价格未知。官方没有公布定价，成本模型现在算不出来。
- 要审批。Request Access 意味着有准入流程，不是注册即用。
- 综合分是挑过的四项。换成别的评测组合，排名会变；它自己在多模态上就不是第一。
给想试的人的第一步
如果你所在的组织正好卡在"数据不能出境"和"想要前沿能力"这两条中间，值得花半天做一次评估。
具体做法：先在 flower.ai 提交 Request Access，同时把你要测的三到五个真实任务准备好——不要用公开 benchmark 的题，用你自己业务里的活，比如"读这份财报 PDF 找出异常项"、"给这个仓库的某个模块补测试并跑通"、"看这张监控截图判断是哪一层出的问题"。
拿到试用后重点看三件事：一是它给出的思考轨迹能不能让你判断"它为什么这么答"；二是同一任务跑五次，结果稳不稳定；三是如果选欧盟推理，延迟你能不能接受。这三点比 GPQA 高 0.3 分重要得多。
参考来源
- Flower 官方博客：https://flower.ai/blog/2026-11-03-introducing-endeavor-1.1
- Flower 官方模型页（含完整对比表）：https://flower.ai/models/endeavor
- Flower 官方 X：https://x.com/flwrlabs/status/2117523422456807552
- TechCity Authority 报道：https://www.techcityauthority.com/2026/11/flower-labs-endeavor-1-1-frontier-model-eu-inference.html
- 云语周刊（中文转述）：https://yunyuweekly.com/posts/zh-flower-endeavor-1-1-eu-inference-thinking-traces/