ERNIE 5.5 Flash Preview will deine härteste Aufgabe: Was der elfstündige Build tatsächlich beweist

ERNIE 5.5 Flash Preview ging am 10. November 2026 als kostenpflichtiger Endpunkt auf Baidus Qianfan-Plattform live, und der offizielle Launch-Post folgte am 11. November mit einer einzigen zentralen Behauptung: Gib ihm deine schwierigsten Aufgaben. Diese Behauptung stützt sich mehr als auf alles andere auf ein Artefakt – ein Third-Person-Spiel in Unreal Engine 5.8, das in dem entwickelt wurde, was Baidu als eine einzige elfstündige Coding-Aufgabe beschreibt – sowie auf zwanzig Benchmark-Zeilen, die Baidu auf seinen eigenen Prüfständen mit von ihm ausgewählten Gutachtern ausführte. Weder die elf Stunden noch die zwanzig Zahlen wurden außerhalb des Unternehmens reproduziert. Die interessante Frage ist nicht, ob die Demo beeindruckend ist. Sondern ob ein elfstündiger agentischer Lauf überhaupt das Richtige zum Messen ist und was das Datenblatt über die Rechnung sagt, die man für einen solchen bezahlen würde. Der Katalog umfasst 228 Modelle von 17 Anbietern, und es gibt keinen ERNIE-Eintrag in einem Katalog mit 228 Modellen von 17 Anbietern also ist die Vergleichsgruppe nur einen Schlüssel entfernt, obwohl das Subjekt es nicht ist.

Die Behauptung bezieht sich auf die Dauer, nicht auf den Schwierigkeitsgrad.

Jeder Launch-Beitrag zu einem Modell behauptet, das Modell sei gut bei schwierigen Aufgaben. Dieser hier definiert „schwierig“ anders: als lang. Der Spiel-Build, die 3D-Szenen, die Workspaces mit mehreren Tausend Dateien und der 116-sekündige animierte Kurzfilm sind alles Übungen darin, einen Plan über Stunden an Bearbeitungen und Tool-Aufrufen hinweg zusammenzuhalten – nicht darin, eine Frage zu beantworten, die ein kleineres Modell falsch beantworten würde.

Dieser Unterschied ist wichtig, weil die beiden Eigenschaften auseinanderfallen. Ein Modell kann beim Reasoning in einem einzelnen Turn hervorragend sein und in der vierten Stunde eines Refactorings zusammenbrechen, wenn der Kontext voll mit seinen eigenen früheren Fehlern ist und der Plan überarbeitet statt ausgeführt werden muss. Ein Modell kann bei einem Puzzle mit nur einem Versuch auch nur mittelmäßig sein und trotzdem die richtige Wahl für einen Build über Nacht. Baidu setzt darauf, dass dir die zweite Sache wichtig ist.

Der nützlichste Satz im gesamten Beitrag ist kein Benchmark. Er steht im Abschnitt zur Spieleentwicklung und beschreibt, wie das Modell arbeitete, ohne sehen zu können: Weil es rein textbasiert ist und nicht auf den Bildschirm schauen kann, übersetzte es Fehler, die beim Playtesting auffielen – eine Figur, die über dem Boden schwebt, eine inkonsistente Laufrichtung, eine falsch platzierte Kamera –, in messbare Tests im Code. Das ist eine offene Beschreibung einer Behelfslösung, und sie verrät etwas, das das Datenblatt nicht sagt. Die Kompetenz des Modells bei visueller Arbeit wird an Werkzeuge delegiert, die es selbst schreibt; das bedeutet, die Qualität des Ergebnisses hängt davon ab, ob es einen überprüfbaren Test für das erfinden kann, was es nicht sehen kann.

Was das Reel tatsächlich enthält

Die vier Fallstudien sind es wert, aufgeführt zu werden, weil sie konkreter sind, als es Launch-Copy üblicherweise ist, und Konkretheit ist es, was sie im Prinzip überprüfbar macht.

• Spieleentwicklung — ein Third-Person-Spiel in Unreal Engine 5.8, das in einer einzigen elfstündigen Aufgabe erstellt wurde, wobei Assets aus mehreren Engine-Generationen in einem einzigen Projekt zusammengeführt und das Spiel in C++ geschrieben wurde; separat davon fast hundert mobile Minispiele, die aus Designdokumenten für Cocos, Unity, LayaAir, PixiJS und Canvas 2D generiert wurden, wobei die meisten ihre Regeln als deterministische Simulation strukturieren, sodass Bot-Durchläufe und Zustandsraum-Suche beweisen können, dass jedes Level schaffbar ist.

• 3D-Modellierung – eine Boeing 747 und der Flughafen Peking-Daxing, von zwei Agenten über die Blender-Python-API gebaut, einer am Flughafen und einer am Flugzeug, anschließend im Maßstab aufeinander abgestimmt, beleuchtet, Bild für Bild mit Cycles und OptiX gerendert und mit FFmpeg geschnitten; die Tempelanlage Hōryū-ji recherchiert und Schritt für Schritt zusammengesetzt; eine Previs-Sequenz aus rund 2.100 Objekten und 1,82 Millionen Dreiecken verteilt auf vier Blender-Szenen; ein W16-Motor, zwei Shenzhen-Türme und ein Mondfahrzeug, modelliert in FreeCAD über Python-Skripte.

• Wissensarbeit – ein 20-seitiger Forschungsbericht zu den Stromkosten von Rechenzentren, eine 24-seitige Analyse des autonomen Fahrens auf Basis von 4.169 bundesstaatlichen Unfallberichten, eine interaktive Arbeitsmappe zur Vermögensplanung mit einer Monte-Carlo-Simulation über 1.000 Pfade und ein 6 Minuten und 34 Sekunden langes Orchesterstück, geliefert als WAV-Datei.

• Video — mehr als 150.000 Erstellungsumgebungen und etwa 5.300 Minuten fertiggestelltes Video, angeführt von einem 116-sekündigen 2D-Animationskurzfilm, geschrieben in über 10.000 Zeilen Python, der einen einzigen parametrisierten Pelikan durch 20 Kunststile bewegt.

Die Trainingszahl hinter dem Abschnitt zur Wissensarbeit ist die größte Zahl im Beitrag: 300.000 Workspaces mit 10 Millionen Referenzdateien über mehr als 40 Dateitypen hinweg. Das ist eine Aussage darüber, worauf das Modell trainiert wurde zu bestehen, und es ist der Teil des Arguments, den eine Benchmark-Tabelle überhaupt nicht leisten kann.

Die zwanzig Zeilen, gelesen im Hinblick darauf, was sie über lange Serien aussagen

Der Anhang ist ein einzelnes Bild, was bedeutet, dass die Zahlen nicht kopiert, sortiert oder mit einer Tabellenkalkulation abgeglichen werden können. Aus diesem Bild abgelesen, verläuft die ERNIE-Spalte wie folgt, alle vom Anbieter gemeldet und nicht reproduziert:

• Agentisches Programmieren — Terminal-Bench 4.0 bei 46,5, DeepSWE v1.1 bei 71,2, ProgramBench (Fast gelöst) bei 29,5, NL2Repo-Bench bei 64,8, Terminal-Bench-Science 0.1 bei 21,0.

• Computernutzung und Automatisierung – CookieBench bei 88,2, AutomationBench bei 61,9, APEX-Agents 1.1 bei 64,2, DRACO bei 84,9.

• Wissensarbeit — SpreadsheetBench V2 bei 36,4, OfficeQA Pro V2 bei 67,9, Agents' Last Exam (CLI) bei 29,0, SkillsBench 1.1 (nur Text) bei 73,5.

• Allgemeine Agenten und Werkzeugnutzung — Toolathlon-Verified bei 79,0, MCP-Atlas bei 84,6, BrowseComp bei 87,4.

• Schlussfolgern — HLE ohne Tools bei 46,4, AA-Omniscience-Public bei 25,2, AA-LCR v1.1 bei 79,0.

• 3D — BlenderWorld nur Text bei 79,0.

Die Tabelle ist deutlich nützlicher, wenn man sie als Karte dessen liest, was noch immer scheitert, statt als Anzeigetafel. Vier Zeilen liegen unter 40: ProgramBench bei 29,5, Agents' Last Exam auf der Kommandozeile bei 29,0, AA-Omniscience-Public bei 25,2 und Terminal-Bench-Science bei 21,0. Das sind keine weichen Benchmarks. Agents' Last Exam ist so konzipiert, dass es nahe an der Grenze dessen liegt, was ein Agent autonom abschließen kann; Omniscience bestraft selbstsichere falsche Antworten; Terminal-Bench-Science testet Aufgaben auf Laborniveau, bei denen ein plausibel wirkendes Vorgehen wertlos ist. Ein Modell, das Ihre schwierigste Aufgabe übernehmen will und 21,0 auf der Science-Variante des schwierigsten agentischen Benchmarks erzielt, sagt Ihnen, wo derzeit die Obergrenze liegt. SpreadsheetBench V2 mit 36,4 sagt etwas Ähnliches speziell über Tabellenkalkulationsarbeit aus, was sich merkwürdig neben der Monte-Carlo-Arbeitsmappe mit 1.000 Pfaden aus dem Launch-Post ausnimmt.

Die Zeilen über 80 sind aus einem anderen Grund ebenso aussagekräftig. BrowseComp mit 87,4, MCP-Atlas mit 84,6, CookieBench mit 88,2 und DRACO mit 84,9 sind allesamt Aufgaben, bei denen das Modell anhand eines abgeschlossenen, überprüfbaren Endzustands statt anhand einer Antwort bewertet wird. Dieses Muster – stark bei verifizierbarer Fertigstellung, schwach bei offener wissenschaftlicher Beurteilung – ist genau das, was man von einem Modell erwarten würde, das auf 300.000 Arbeitsbereichen voller Dateien trainiert wurde, die sich entweder bauen lassen oder nicht.

Die Fußnoten sorgen für Ehrlichkeit. Jeder Benchmark lief auf einem namentlich genannten Harness, wobei Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 und etwas mit der Abkürzung DSH allesamt auftauchten, und die Judge-Modelle sind Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 und Gemini 3.1 Flash-Lite. Eine Fußnote räumt ein, dass es GLM-5.3 und diesem Modell an native multimodaler Fähigkeit mangelt und dass Bildverständnis durch ein von Claude Opus 5.5 betriebenes Tool bereitgestellt wurde. Zumindest einige der bildabhängigen Zeilen messen daher einen Harness, in dem ERNIE 5.5 Flash Preview das Modell eines Wettbewerbers aufruft, um sich Dinge anzusehen. Das ist eine legitime technische Entscheidung und etwas Seltsames, das man in einem Scoreboard findet.

Für die beiden Zeilen mit dem Präfix AA gilt ein eigener Vorbehalt. AA-Omniscience-Public und AA-LCR v1.1 sind Benchmarks, die von Artificial Analysis, dem unabhängigen Tracker, veröffentlicht werden, doch handelt es sich dabei um Baidus eigene Durchläufe dieser Benchmarks. Stand 11. November gibt es keine ERNIE-5.5-Zeile im Leaderboard von Artificial Analysis, sodass es keine unabhängige Zahl gibt, die man einer der beiden Zellen gegenüberstellen könnte.

Was ein elfstündiger Lauf kosten würde – und was Baidu nicht sagte

Die Endpunktdokumentation ist der Teil dieses Releases, der aus einer Demo eine Engineering-Entscheidung macht. Qianfan führt ERNIE 5.5 Flash Preview mit 0,28 USD pro Million Eingabe-Tokens und 1,13 USD pro Million Ausgabe-Tokens auf, mit zwischengespeicherten Lesevorgängen zu 0,028 USD, einem Kontextfenster von 1.024.000 Tokens, einer Ausgabeobergrenze von 921.600 Tokens und Reasoning, das immer auf einer einzigen hohen Aufwandsstufe aktiv ist und sich nicht abschalten lässt.

Diese Ausgabeobergrenze ist der mechanische Grund, warum ein langer einzelner Lauf überhaupt denkbar ist: Das Modell kann nahezu so viele Token ausgeben, wie sein gesamtes Kontextfenster fasst. Sie ist auch der Grund, warum die Rechnung nicht offensichtlich ist. Das Prompting wird mit einem Viertel des Ausgabetarifs berechnet, aber alles, was das Modell denkt, wird zum Ausgabetarif abgerechnet, und ein Modell, das nicht aufhören kann zu denken, ist ein Modell, dessen Kosten pro Aufgabe von Token dominiert werden, die niemand liest.

Rechnen Sie den Extremfall eines maximalen Einzelaufrufs durch, dem günstigsten verfügbaren Fall. Das Füllen des Fensters von 1.024.000 Token kostet zum Eingabepreis etwa 0,29 $. Das Ausgeben der vollen Obergrenze von 921.600 Ausgabe-Token kostet etwa 1,04 $. Das sind rund 1,33 $ für einen Aufruf, der beide Limits ausschöpft. Der elfstündige Unreal-Build hat das sehr wahrscheinlich nicht getan, und im Launch-Post steht nicht, wie viele Token er verbraucht hat, wie viele separate Aufrufe nötig waren oder was er gekostet hat. Solange niemand die Ausgabe-Token pro abgeschlossener Aufgabe in der eigenen Arbeitslast misst, ist jede Aussage darüber, ob dieses Modell bei schwieriger Arbeit günstig oder teuer ist, ein Vergleich von Preislisten und kein Ergebnisvergleich.

Zwei Dinge, die das Release dir noch schuldet

Der Beitrag schließt damit, ERNIE 5.5 Flash Preview als „einen Zwischen-Checkpoint aus dem Post-Training“ zu bezeichnen, und räumt ein, dass das Training noch nicht abgeschlossen ist und einige Fähigkeiten möglicherweise noch hinter den Erwartungen zurückbleiben. Außerdem wird versprochen, dass die Gewichte bald unter Apache 2.0 als Open Source veröffentlicht werden, ohne Datum, und Stand 11. November gibt es kein Preview-Repository auf Hugging Face – die einzigen dort veröffentlichten ERNIE-5.5-Artefakte sind der Basis-Checkpoint und seine BF16-Variante. Es gibt weder eine Modellkarte noch einen Knowledge-Cutoff noch eine Latenzangabe – nirgends in der Veröffentlichung.

Die ehrliche Zusammenfassung von „Gib ihm deine schwierigste Aufgabe“ ist also enger gefasst als der Slogan. ERNIE 5.5 Flash Preview ist ein reines Textmodell mit einem sehr großen Kontext, einer ungewöhnlich großen Ausgabekapazität, einer starken Bilanz bei Aufgaben, die in einem Build-Artefakt enden, einer schwachen Bilanz bei Aufgaben, die in einer wissenschaftlichen Beurteilung enden, und keiner unabhängigen Verifizierung. Das ist ein echtes und spezifisches Profil. Es ist außerdem eines, das ein zweiter Checkpoint wahrscheinlich überschreiben wird.

Wie man dieses Profil testet, ohne einen Pfad darauf zu verwetten

Baidu stellt dieses Modell über seine eigene Qianfan-API und über Drittanbieter-Plattformen bereit, die es weiterverkaufen. OrcaRouter leitet ERNIE 5.5 Flash Preview nicht weiter – in einem Katalog mit 228 Modellen von 17 Anbietern gibt es keinen ERNIE-Eintrag und keinen Baidu-Endpunkt dahinter – daher sollte nichts hier als Angebot verstanden werden, es bereitzustellen.

Was der Katalog in dieser Situation leistet, ist die andere Hälfte des Experiments. Die Modelle, an denen dieses gemessen wird, sind über einen Schlüssel zum Listpreis des Anbieters ohne Aufschlag erreichbar, was bedeutet, dass man dieselben schwierigen Aufgaben durch sie laufen lassen und Abschlussraten statt veröffentlichter Punktzahlen vergleichen kann. Automatisches Failover erledigt die zweite Aufgabe: Eine Preview ohne Uptime-Historie muss nie das Einzige sein, das einen Anfragepfad stützt, denn ein geroutetes Fallback kann den Aufruf übernehmen, wenn er in der dritten Stunde hängt.

Die Evaluation, die diese Woche lohnt, ist klein. Nimm zehn deiner eigenen Long-Horizon-Agent-Aufgaben – die, die du normalerweise nicht einem einzelnen unbeaufsichtigten Lauf anvertrauen würdest – und schicke jede davon durch ERNIE 5.5 Flash Preview sowie durch zwei Modelle, denen du bereits vertraust. Halte fest, ob sie abgeschlossen wurde, wie viele Output-Tokens sie verbraucht hat und was sie gekostet hat. Das liefert die beiden Zahlen, die Baidu ausgelassen hat: Tokens pro Aufgabe und Kosten pro abgeschlossener Aufgabe. Alles andere im Launch-Post, einschließlich der 46,5 und einschließlich der elf Stunden, ist der Harness von jemand anderem auf dem Rechner von jemand anderem.

Was die Frage klären würde, ist nicht ein weiteres Demo-Video. Es ist ein Datum für das Apache-2.0-Release, eine Modellkarte mit einem Wissens-Cutoff, eine Artificial-Analysis-Zeile, die von Artificial Analysis erstellt wurde, und ein zweiter Checkpoint, dessen Zahlen man gegen diese hier halten kann. Baidu hat die Darstellung veröffentlicht, die es zusammen mit dem Endpunkt hätte veröffentlichen sollen. Als Nächstes schuldet es den Menschen, die es gerade dazu eingeladen hat, ihm ihre schwierigsten Aufgaben zu übergeben, das Artefakt, mit dem sie aufhören können, ihm zu glauben, wie die schwierigsten ausgegangen sind.