ERNIE 5.5 Flash Preview يطلب أصعب مهامك: ما الذي يثبته فعليًا البناء الذي استمر أحد عشر ساعة

أصبح ERNIE 5.5 Flash Preview متاحًا كنقطة نهاية مدفوعة على منصة Qianfan من Baidu في 10 نوفمبر 2026، وتلاه منشور الإطلاق الرسمي في 11 نوفمبر بعبارة رئيسية واحدة: امنحه أصعب مهامك. ويستند هذا الادعاء إلى أحد الأعمال أكثر من أي شيء آخر — لعبة منظور شخص ثالث بمحرك Unreal Engine 5.8 بُنيت فيما تصفه Baidu بأنها مهمة برمجية واحدة استغرقت إحدى عشرة ساعة — وإلى عشرين صفًا من صفوف المعايير التي شغّلتها Baidu على أدواتها الخاصة بمُحكّمين اختارتهم. ولم يُعَد إنتاج الساعات الإحدى عشرة ولا الأرقام العشرين خارج الشركة. السؤال المثير للاهتمام ليس ما إذا كان العرض التوضيحي مبهرًا، بل ما إذا كانت جولة وكيلية استمرت إحدى عشرة ساعة هي الشيء الصحيح الذي ينبغي قياسه أصلًا، وماذا تقول ورقة المواصفات عن الفاتورة التي ستدفعها مقابل جولة واحدة. يضم الكتالوج 228 نموذجًا من 17 مزودًا ولا يوجد أي إدخال لـ ERNIE في كتالوج يضم 228 نموذجًا من 17 مزودًا لذا فإن مجموعة المقارنة تبعد مفتاحًا واحدًا رغم أن الموضوع ليس كذلك.

الادعاء يتعلق بالمدة، لا بالصعوبة.

يقول كل منشور لإطلاق نموذج إن النموذج بارع في الأمور الصعبة. أما هذا المنشور فيعرّف الصعوبة تعريفًا مختلفًا: فهو يعرّفها بالطول. إن بناء اللعبة، والمشاهد ثلاثية الأبعاد، ومساحات العمل التي تضم آلاف الملفات، والفيلم القصير المتحرك البالغ 116 ثانية، كلها تمارين على الإبقاء على خطة متماسكة عبر ساعات من التعديلات واستدعاءات الأدوات، لا على الإجابة عن سؤال كان نموذج أصغر سيخطئ فيه.

هذا التمييز مهم لأن الخاصيتين تنفصلان. فقد يكون النموذج بارعًا في الاستدلال بجولة واحدة ثم ينهار في الساعة الرابعة من عملية إعادة هيكلة، حين يمتلئ السياق بأخطائه السابقة وتحتاج الخطة إلى مراجعة لا إلى تنفيذ. وقد يكون النموذج متوسطًا في لغز يُحل بضربة واحدة ومع ذلك يظل الخيار الصحيح لعملية بناء تستغرق الليل كله. وتراهن بايدو على أنك تهتم بالأمر الثاني.

الجملة الأكثر فائدة في المنشور كله ليست اختبارًا مرجعيًا. إنها في قسم تطوير الألعاب، وتصف كيف عمل النموذج دون أن يكون قادرًا على الرؤية: لأنه نصي فقط ولا يستطيع النظر إلى الشاشة، فقد حوّل الأخطاء التي رُصدت أثناء اختبار اللعب — شخصية تحوم فوق الأرض، واتجاه جري غير متسق، وكاميرا في غير موضعها — إلى اختبارات قابلة للقياس في الشيفرة. وهذا وصف صريح لحل التفافي، ويخبرك بشيء لا تخبرك به ورقة المواصفات. فكفاءة النموذج في الأعمال البصرية مُوكلة إلى أدوات يكتبها بنفسه، ما يعني أن جودة النتيجة تعتمد على قدرته على ابتكار اختبار قابل للتحقق للشيء الذي لا يستطيع رؤيته.

ما الذي تحتويه البكرة فعليًا

تستحق دراسات الحالة الأربع أن تُدرَج لأنها أكثر تحديدًا مما يكون عليه عادةً النص الترويجي للإطلاق، والتحديد هو ما يجعلها قابلة للتحقق من حيث المبدأ.

• تطوير الألعاب — لعبة منظور شخص ثالث بمحرك Unreal Engine 5.8 بُنيت في مهمة واحدة استغرقت إحدى عشرة ساعة، مع دمج أصول من عدة أجيال من المحرك في مشروع واحد وكتابة اللعبة بلغة C++؛ وبشكل منفصل، قرابة مئة لعبة مصغّرة للهواتف المحمولة وُلّدت من وثائق تصميم عبر Cocos وUnity وLayaAir وPixiJS وCanvas 2D، معظمها يبني قواعدها على هيئة محاكاة حتمية بحيث يمكن لتجارب اللعب الآلية والبحث في فضاء الحالات إثبات أن كل مستوى قابل للإكمال.

• النمذجة ثلاثية الأبعاد — طائرة Boeing 747 ومطار Beijing Daxing بُنيَا بواسطة وكيلين عبر Blender Python API، أحدهما على المطار والآخر على الطائرة، ثم طُوبِقَا من حيث المقياس، وأُضيئَا، وصُيِّرَا إطارًا بإطار باستخدام Cycles وOptiX وقُطِّعَا باستخدام FFmpeg؛ مجمع معبد Hōryū-ji جرى البحث عنه وتجميعه خطوة بخطوة؛ تسلسل previs يضم نحو 2,100 جسم و1.82 مليون مثلث عبر أربعة مشاهد Blender؛ محرك W16 وبرجان في Shenzhen ومركبة قمرية نُمذجت في FreeCAD عبر نصوص Python البرمجية.

• العمل المعرفي — تقرير بحثي من 20 صفحة عن تكاليف الكهرباء في مراكز البيانات، وتحليل من 24 صفحة للقيادة الذاتية مبني على 4,169 تقرير حادث اتحادي، ومصنف تفاعلي لتخطيط الثروة مع محاكاة مونت كارلو ذات 1,000 مسار، وقطعة أوركسترالية مدتها 6 دقائق و34 ثانية تُسلَّم كملف WAV.

• فيديو — أكثر من 150,000 بيئة إنشاء وحوالي 5,300 دقيقة من الفيديو المكتمل، تتصدره تحفة قصيرة متحركة ثنائية الأبعاد مدتها 116 ثانية، مكتوبة بأكثر من 10,000 سطر من Python، وتحرّك طائر بجع واحدًا مُعاملًا عبر 20 أسلوبًا فنيًا.

الرقم التدريبي الكامن وراء قسم العمل المعرفي هو أكبر رقم في المنشور: 300,000 مساحة عمل تضم 10 ملايين ملف مرجعي عبر أكثر من 40 نوعًا من الملفات. وهذا تصريح عمّا دُرّب النموذج على النجاة منه، وهو الجزء من الحجة الذي لا يستطيع جدول مقارنة الأداء تقديمه على الإطلاق.

الصفوف العشرون، تُقرأ بما تقوله عن السلاسل الطويلة

الملحق صورة واحدة، مما يعني أن الأرقام لا يمكن نسخها أو فرزها أو التحقق منها مقابل جدول بيانات. وبالقراءة من تلك الصورة، يأتي عمود ERNIE على النحو التالي، وكلها مُبلّغ عنها من البائع وغير مُعاد إنتاجها:

• البرمجة الوكيلية — Terminal-Bench 4.0 عند 46.5، وDeepSWE v1.1 عند 71.2، وProgramBench (Almost Solved) عند 29.5، وNL2Repo-Bench عند 64.8، وTerminal-Bench-Science 0.1 عند 21.0.

• استخدام الحاسوب والأتمتة — CookieBench عند 88.2، وAutomationBench عند 61.9، وAPEX-Agents 1.1 عند 64.2، وDRACO عند 84.9.

• العمل المعرفي — SpreadsheetBench V2 عند 36.4، وOfficeQA Pro V2 عند 67.9، وAgents' Last Exam (CLI) عند 29.0، وSkillsBench 1.1 نصي فقط عند 73.5.

• الوكلاء العامون واستخدام الأدوات — Toolathlon-Verified عند 79.0، وMCP-Atlas عند 84.6، وBrowseComp عند 87.4.

• الاستدلال — HLE دون أدوات عند 46.4، وAA-Omniscience-Public عند 25.2، وAA-LCR v1.1 عند 79.0.

• 3D — BlenderWorld نص فقط عند 79.0.

الجدول أكثر فائدة بكثير إذا قُرئ كخريطة لما لا يزال يفشل لا كلوحة نتائج. هناك أربعة صفوف تقع دون 40: ProgramBench عند 29.5، وAgents' Last Exam على سطر الأوامر عند 29.0، وAA-Omniscience-Public عند 25.2، وTerminal-Bench-Science عند 21.0. هذه ليست معايير قياس لينة. فـ Agents' Last Exam مصمم ليكون قريبًا من حدود ما يمكن للوكيل إنجازه ذاتيًا؛ ويعاقب Omniscience الإجابات الخاطئة الواثقة؛ ويختبر Terminal-Bench-Science مهامًا بمستوى معملي يكون فيها الإجراء الذي يبدو معقولًا بلا قيمة. النموذج الذي يستهدف أصعب مهمة لديك ويحصل على 21.0 في النسخة العلمية من أصعب معيار قياس وكيلي يخبرك أين يقع السقف حاليًا. ويقول SpreadsheetBench V2 عند 36.4 شيئًا مشابهًا عن العمل على جداول البيانات تحديدًا، وهو ما يقع بشكل غير مريح إلى جانب مصنف مونت كارلو ذي 1,000 مسار في منشور الإطلاق.

الصفوف التي تتجاوز 80 تحمل القدر نفسه من المعلومات، لكن لسبب مختلف. فـ BrowseComp عند 87.4، وMCP-Atlas عند 84.6، وCookieBench عند 88.2، وDRACO عند 84.9، كلها مهام يُقيَّم فيها النموذج على حالة نهائية مكتملة وقابلة للتحقق بدلاً من تقييمه على إجابة. وهذا النمط — قوي في الإنجاز القابل للتحقق، وضعيف في الحكم العلمي المفتوح — هو بالضبط ما تتوقعه من نموذج دُرِّب على 300,000 مساحة عمل مليئة بملفات إما أن تنجح عملية بنائها أو تفشل.

تحمل الحواشي السفلية الصدق. أُجري كل اختبار مرجعي على منظومة اختبار مسمّاة، وظهر فيها Claude Code 2.1.x وmini-swe-agent 2.4.6 وCodex 0.162.1 وشيء مختصر باسم DSH، أما نماذج التحكيم فهي Qwen3.8-Max وDeepSeek-V4.1-Flash-1017 وGemini 3.1 Flash-Lite. ويعترف أحد الحواشي بأن GLM-5.3 وهذا النموذج يفتقران إلى القدرة الأصلية متعددة الوسائط، وأن فهم الصور قُدّم عبر أداة تعمل بنموذج Claude Opus 5.5. لذلك تقيس بعض الصفوف المعتمدة على الرؤية، على الأقل، منظومة اختبار يستدعي فيها ERNIE 5.5 Flash Preview نموذج منافس للنظر إلى الأشياء. هذا خيار هندسي مشروع، لكنه أمر غريب أن نجده في لوحة نتائج.

الصفان المسبوقان بـ AA يحتاجان إلى تحذير خاص بهما. إن AA-Omniscience-Public وAA-LCR v1.1 معياران نشرتهما Artificial Analysis، الجهة المستقلة المتتبعة، لكن هذه تشغيلات Baidu لهما. اعتبارًا من 11 نوفمبر، لا يوجد صف لـ ERNIE 5.5 على لوحة الترتيب الخاصة بـ Artificial Analysis، لذا لا يوجد رقم مستقل تُقارَن به أي من الخانتين.

ما الذي ستُكلِّفه جولة مدتها إحدى عشرة ساعة، وما لم تقله Baidu

توثيق نقطة النهاية هو الجزء من هذا الإصدار الذي يحوّل العرض التجريبي إلى قرار هندسي. تُدرج Qianfan نموذج ERNIE 5.5 Flash Preview بسعر 0.28 دولار لكل مليون رمز إدخال و1.13 دولار لكل مليون رمز إخراج، مع قراءات مخزّنة مؤقتًا بسعر 0.028 دولار، ونافذة سياق تبلغ 1,024,000 رمز، وسقف إخراج يبلغ 921,600 رمز، واستدلال يكون مفعّلًا دائمًا عند مستوى جهد عالٍ واحد دون أي طريقة لإيقاف تشغيله.

سقف الإخراج هذا هو السبب الآلي الذي يجعل تشغيلًا واحدًا طويلًا ممكنًا من حيث المبدأ: فيمكن للنموذج أن يُصدر عددًا من الرموز يقارب ما تحتويه نافذة سياقه بأكملها. وهو أيضًا السبب في أن الفاتورة ليست بديهية. فالتلقين يُسعَّر بربع سعر الإخراج، لكن كل ما يفكر فيه النموذج يُحتسب بسعر الإخراج، والنموذج الذي لا يستطيع التوقف عن التفكير هو نموذج تهيمن على تكلفته لكل مهمة رموز لا يقرأها أحد.

أجرِ الحسابات على استدعاء واحد أقصى، وهو الحالة الأكثر ملاءمة المتاحة. تكلّف تعبئة نافذة الـ 1,024,000 رمز حوالي 0.29 دولار بمعدل الإدخال. ويكلّف إصدار سقف الإخراج الكامل البالغ 921,600 رمز حوالي 1.04 دولار. هذا نحو 1.33 دولار لاستدعاء واحد يستنفد الحدّين. من المرجح جدًا أن بناء Unreal الذي استغرق إحدى عشرة ساعة لم يفعل ذلك، ولا يذكر منشور الإطلاق عدد الرموز التي استهلكها، ولا عدد الاستدعاءات المنفصلة التي استغرقها، ولا تكلفته. إلى أن يقيس أحدهم رموز الإخراج لكل مهمة مكتملة على عبء العمل الخاص به، فإن أي ادعاء بأن هذا النموذج رخيص أو مكلف في الأعمال الصعبة هو مقارنة لبطاقات الأسعار وليس مقارنة للنتائج.

أمران لا يزال الإصدار يدين لك بهما

يختتم المنشور بالإشارة إلى ERNIE 5.5 Flash Preview بأنه «نقطة تفتيش وسيطة من مرحلة ما بعد التدريب»، معترفًا بأن التدريب لم يكتمل وأن بعض القدرات قد تظل مقصّرة. كما يَعِد بأن الأوزان ستُفتح مصادرها بموجب Apache 2.0 قريبًا، دون تحديد موعد، وحتى 11 نوفمبر لا يوجد مستودع معاينة على Hugging Face — إذ إن الملفات الوحيدة المنشورة هناك لـ ERNIE 5.5 هي نقطة التفتيش الأساسية ونسختها BF16. لا توجد بطاقة نموذج، ولا تاريخ قطع معرفي، ولا قياس للكمون في أي مكان ضمن الإصدار.

إذن، الخلاصة الصادقة لعبارة «أعطها أصعب مهمة لديك» أضيق نطاقًا من الشعار. إن ERNIE 5.5 Flash Preview نموذج نصي فقط ذو سياق كبير جدًا، وحدّ إخراج غير معتاد الكِبَر، وسجل قوي في المهام التي تنتهي بمخرَج بناء، وسجل ضعيف في المهام التي تنتهي بحكم علمي، وانعدام التحقق المستقل. هذا ملف تعريف حقيقي ومحدد. وهو أيضًا ملف من المرجح أن تكتب نقطة تحقق ثانية فوقه.

كيف تختبر ذلك الملف التعريفي دون المراهنة بمسار عليه

توفّر Baidu هذا النموذج عبر واجهة Qianfan API الخاصة بها وعبر منصات تابعة لجهات خارجية تعيد بيعه. لا يوجّه OrcaRouter نموذج ERNIE 5.5 Flash Preview — فلا يوجد مدخل ERNIE في كتالوج يضم 228 نموذجًا من 17 مزوّدًا، ولا توجد نقطة نهاية Baidu خلفه — لذا لا ينبغي قراءة أي شيء هنا على أنه عرض لتقديمه.

إن ما يجعل الكتالوج مفيدًا في هذه الحالة هو النصف الآخر من التجربة. أما النماذج التي يُقاس عليها هذا النموذج فهي متاحة عبر مفتاح واحد بسعر المزوّد المعلن دون أي هامش إضافي، مما يعني أنه يمكنك تشغيل المهام الصعبة نفسها عبرها ومقارنة معدلات الإكمال بدلًا من الدرجات المنشورة. ويؤدي التحويل التلقائي عند الفشل المهمة الثانية: فلا يتعين أبدًا أن تكون نسخة معاينة بلا سجل لوقت التشغيل هي الشيء الوحيد الذي يسند مسار الطلب، لأن بديلًا موجّهًا يمكنه تولّي الطلب عندما يتعطّل في الساعة الثالثة.

التقييم الجدير بالتشغيل هذا الأسبوع صغير. خذ عشرًا من مهام الوكيل طويلة الأفق الخاصة بك — تلك التي لا تثق عادةً بتشغيلها مرة واحدة دون إشراف — ومرّر كل واحدة منها عبر ERNIE 5.5 Flash Preview وعبر نموذجين تثق بهما بالفعل. سجّل ما إذا كانت قد اكتملت، وكم من رموز الإخراج استهلكت، وما كلّفت. ينتج عن ذلك الرقمان اللذان أغفلتهما Baidu: الرموز لكل مهمة والتكلفة لكل مهمة مكتملة. كل ما تبقّى في منشور الإطلاق، بما في ذلك 46.5 وبما في ذلك إحدى عشرة ساعة، هو منصة اختبار شخص آخر على جهاز شخص آخر.

ما سيحسم المسألة ليس عرضًا تجريبيًا آخر، بل تاريخ محدد لإصدار Apache 2.0، وبطاقة نموذج تتضمن تاريخ قطع المعرفة، وصفًا في Artificial Analysis أصدرته Artificial Analysis، ونقطة تحقق ثانية يمكن مقارنة أرقامها بهذه. لقد نشرت بايدو الرواية التي كان ينبغي أن تنشرها إلى جانب نقطة النهاية. أما الشيء التالي الذي تدين به للأشخاص الذين دعوتهم للتو إلى تسليم أصعب مهامهم فهو الدليل الذي يتيح لهم التوقف عن الأخذ بكلمتها بشأن كيفية ظهور نتائج أصعب تلك المهام.