ERNIE 5.5 Flash Preview hat endlich einen Launch-Post, zwanzig Benchmarks und ein Versprechen zu den Gewichten

46,5 auf Terminal-Bench 4.0 ist der erste Wert, den Baidu jemals für ERNIE 5.5 Flash Preview veröffentlicht hat, und er erschien am 11. November 2026 – einen Tag, nachdem das Modell selbst auf Qianfan als kostenpflichtiger Endpunkt mit Preisliste und überhaupt keiner Dokumentation live gegangen war. Der Release-Beitrag mit dieser Zahl ist die erste offizielle Aussage über das Modell und beantwortet die drei Fragen, die der Endpunkt nicht beantworten konnte: was es ist (280 Milliarden Gesamtparameter bei 14 Milliarden aktiven, ein Kontext von 1 Mio. Tokens, nachtrainiert auf dem ERNIE 5.5 Flash Base-Checkpoint vom 5. November), wie es laut Baidu abschneidet (zwanzig Benchmark-Zeilen neben GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 und einem nur als Hy4 aufgeführten Modell) und ob Sie es jemals selbst ausführen können werden (die Gewichte „werden bald unter Apache 2.0 als Open Source veröffentlicht“). Jede Zahl in dieser Tabelle ist vom Anbieter angegeben, auf Baidus eigenen Harnesses mit von Baidu ausgewählten Judge-Modellen erzeugt, und nichts davon wurde außerhalb des Unternehmens reproduziert. Die Benchmark-Gruppe ist der Teil dieses Vergleichs, den Sie tatsächlich steuern können. Listenpreis des Anbieters mit 0 % Aufschlag GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 und DeepSeek V4.1 Flash laufen über einen Schlüssel zum Listenpreis des Anbieters, wobei die OrcaRouter-Gebühr als $0.00 ausgewiesen wird.

Was Baidu auf der Seite platziert hat

Der Beitrag ist als Demo-Reel mit einem Benchmark-Anhang aufgebaut, was verrät, worin Baidu das Argument sieht. Vier Fähigkeitsabschnitte – Spieleentwicklung, 3D-Modellierung und -Design, Wissensarbeit, Videoerstellung –, jeder zusammengesetzt aus Artefakten, die das Modell Ende zu Ende innerhalb eines Agent-Harness erzeugt hat, wobei externe Assets und Tools Stück für Stück ausgewiesen werden. Die Spezifikation steht im Eröffnungsabsatz und taucht nie wieder auf: 280B insgesamt, 14B aktiv, 1M-Token-Kontext, API auf Qianfan, Gewichte unter Apache 2.0 versprochen. Es gibt keine Modellkarte, keinen Wissens-Cutoff, keine Latenzangabe, keine Preisangabe und keine Aussage darüber, wie viele Reasoning-Tokens das Modell pro Aufgabe ausgibt.

Zwei Sätze im Beitrag wiegen mehr als der ganze Rest zusammengenommen. Der erste steht im Abschnitt zur Spieleentwicklung und beschreibt das Unreal-Engine-5.8-Projekt: „Weil es ein reines Textmodell ist und den Bildschirm nicht sehen kann, hat es Probleme, die beim Playtesting auffielen – etwa eine über dem Boden schwebende Figur, eine inkonsistente Laufrichtung und eine falsch platzierte Kamera –, in messbare Tests im Code überführt.“ Das ist eine ungewöhnlich offene Beschreibung eines Workarounds – das Modell schrieb Tests, weil es das Spiel nicht ansehen konnte –, und es ist die bislang klarste Aussage darüber, dass dies ein Text-in-Text-out-System ist, dessen visuelle Kompetenz an Tooling delegiert wird.

Der zweite ist der Schlussabsatz: ERNIE 5.5 Flash Preview „ist ein Zwischen-Checkpoint aus dem Post-Training. Es ist bereits wettbewerbsfähig mit Modellen seiner Größe, aber da das Training noch nicht abgeschlossen ist, könnten einige Fähigkeiten noch hinterherhinken.“ Ein Launch-Beitrag, der Ihnen sagt, dass der Launch noch nicht abgeschlossen ist, ist mehr wert als einer, der das nicht tut, und er stellt alles darüber in einen neuen Rahmen. Sie lesen keine Produktankündigung. Sie lesen einen Fortschrittsbericht mit angehängter Punkteübersicht, veröffentlicht, damit Nutzer vor der offiziellen Veröffentlichung Rückmeldung geben.

Die zwanzig Benchmark-Zeilen, sorgfältig gelesen

Die Tabelle im Anhang ist ein einziges Bild, was selbst ein kleines verräterisches Zeichen ist: Die Zahlen lassen sich weder kopieren noch sortieren oder mit einer Tabellenkalkulation abgleichen. Aus dem Bild abgelesen, verläuft die ERNIE-Spalte wie folgt – alles von Baidu berichtet 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.

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

• 3D — BlenderWorld nur Text bei 79,0, die einzige Zeile, die direkt auf die CAD- und Blender-Aussagen im Text eingeht.

Die Fußnoten sind der Ort, an dem die Ehrlichkeit steckt, und es lohnt sich, sie zu lesen, bevor man sich irgendeine der Zellen ansieht. Jeder Benchmark lief auf einem namentlich genannten Harness – Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 und etwas mit der Abkürzung DSH sind alle vertreten –, und bei den Judge-Modellen handelt es sich um Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 und Gemini 3.1 Flash-Lite. Eine Fußnote räumt ein, dass „GLM-5.3 und unserem Modell native multimodale Fähigkeiten fehlen; das Bildverständnis wird über ein Tool bereitgestellt, das von Claude Opus 5.5 betrieben wird.“ Mit anderen Worten: Zumindest einige der visionabhängigen Benchmarks wurden von ERNIE 5.5 Flash Preview abgeschlossen, das ein Tool steuert, das das Modell eines Wettbewerbers aufruft. Das ist eine legitime technische Entscheidung und eine wirklich seltsame Sache, die man in einer Punktetabelle entdeckt, und es bedeutet, dass die Zeilen, bei denen irgendetwas betrachtet werden muss, die gesamte Testumgebung messen, nicht nur das Modell.

Die beiden Zeilen mit dem Präfix AA verdienen einen eigenen Vorbehalt. AA-Omniscience-Public und AA-LCR v1.1 sind Benchmarks, die von Artificial Analysis, dem unabhängigen Tracker, veröffentlicht wurden – doch es handelt sich um Baidus eigene Läufe dieser Benchmarks, nicht um Läufe von Artificial Analysis. Stand 11. November gibt es keine ERNIE 5.5-Zeile auf dem Leaderboard von Artificial Analysis, daher gibt es keine unabhängige Zahl, die man einem der beiden Werte gegenüberstellen könnte.

Das Demo-Reel ist das eigentliche Argument.

Wenn die Benchmark-Tabelle der Teil ist, der zitiert wird, sind die vier Fallstudien der Teil, der schwer zu fälschen ist, denn sie beschreiben Arbeitsergebnisse statt Punktzahlen. Die Details sind spezifisch genug, um im Prinzip überprüfbar zu sein, und konkret genug, um nützlich zu sein, wenn Sie entscheiden, worauf Sie dieses Modell ansetzen.

• Spieleentwicklung — ein Third-Person-Spiel für Unreal Engine 5.8, das in einer einzigen 11-stündigen Coding-Aufgabe entstand, wobei Assets aus mehreren Engine-Generationen in einem Projekt zusammengeführt und das Spiel in C++ geschrieben wurden; separat dazu fast 100 mobile Mini-Spiele, die aus Design-Dokumenten für Cocos, Unity, LayaAir, PixiJS und Canvas 2D generiert wurden, wobei die meisten von ihnen Regeln als deterministische Simulation strukturieren, sodass Bot-Durchläufe und Zustandsraum-Suche verifizieren 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, dann maßstäblich aufeinander abgestimmt, beleuchtet, Bild für Bild mit Cycles und OptiX gerendert und mit FFmpeg geschnitten; der Tempelkomplex Hōryū-ji schrittweise recherchiert und aufgebaut; eine Previs-Sequenz aus rund 2.100 Objekten und 1,82 Millionen Dreiecken über vier Blender-Szenen hinweg; ein W16-Motor, zwei Shenzhen-Türme und ein Mondrover, in FreeCAD über Python-Skripte modelliert.

• 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 34 Sekunden langes Orchesterstück als WAV-Datei. Die Trainingsgeschichte dahinter ist die größte Zahl im Beitrag: 300.000 Arbeitsbereiche mit 10 Millionen Referenzdateien über mehr als 40 Dateitypen.

• 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.

Was diese gemeinsam haben, ist, dass keines davon eine Chat-Interaktion ist. Jedes ist ein langer agentischer Lauf mit Tool-Aufrufen, und die aufgestellte Behauptung betrifft Ausdauer – ob das Modell einen Plan über Stunden von Bearbeitungen hinweg zusammenzuhalten vermag. Genau das ist die Eigenschaft, die eine Benchmark-Tabelle mit zwanzig Zeilen am schlechtesten misst, und der Grund, warum der Beitrag mit Artefakten beginnt.

Wo Launch-Post und Endpoint nicht übereinstimmen

Das im Beitrag beschriebene Modell und das Modell aus Qianfans Spezifikationsblatt sind erkennbar dasselbe System, betrachtet aus zwei Abteilungen, die sich nicht abgestimmt haben. Der Endpunkt ging am 10. November mit 0,28 US-Dollar pro Million Eingabe-Tokens und 1,13 US-Dollar pro Million Ausgabe-Tokens live, mit Cache-Lesevorgängen zu 0,028 US-Dollar, einem Kontext von 1.024.000 Tokens, einer Ausgabegrenze von 921.600 Tokens, verpflichtendem Reasoning auf einer einzigen hohen Effort-Stufe und ohne Model Card. Der einen Tag später veröffentlichte Release-Beitrag wiederholt das Kontextfenster, ignoriert den Preis vollständig, sagt nichts über verpflichtendes Reasoning und liefert eine Positionierung im Umfang einer Model Card, ohne die Model Card selbst zu liefern.

Die praktische Konsequenz ist, dass die beiden Hälften der Geschichte zusammen gelesen werden müssen oder gar nicht. Der Beitrag sagt dir, dass das Modell eine elfstündige Programmieraufgabe durchhalten kann; der Endpoint sagt dir, dass alles, was es denkt, zum Ausgabesatz abgerechnet wird und dass du das Denken nicht abschalten kannst. Ein Lauf, der Stunden mit Iterieren verbringt, ist ein Lauf, der eine enorme Anzahl von Ausgabe-Tokens ausstößt, und bei 1,13 $ pro Million ist der Preis des Demo-Reels eine Frage, die der Beitrag nie aufwirft. Bis jemand Ausgabe-Tokens pro abgeschlossener Aufgabe in der eigenen Workload misst, ist jeder Vergleich zwischen diesem Modell und einem günstigeren ein Vergleich von Preislisten.

Was noch fehlt, und das ist nicht wenig.

Drei Abwesenheiten prägen den aktuellen Zustand von ERNIE 5.5 Flash Preview, und jede wird auf einer anderen Zeitskala behoben.

• Die Gewichte. Der Beitrag verspricht Apache 2.0 „soon“, nennt aber kein Datum, und Stand 11. November gibt es kein Vorschau-Repository auf Hugging Face – die einzigen dort veröffentlichten ERNIE-5.5-Artefakte sind ERNIE-5.5-Flash-Base und seine BF16-Variante, beide am 21. Oktober erstellt. Der Basis-Checkpoint wurde unter der Lizenz ERNIE 5.5 Flash Base veröffentlicht, einer eingeschränkten Community-Lizenz, die die Europäische Union, das Vereinigte Königreich und Südkorea ausschließt, die kostenlose kommerzielle Nutzung anhand des zugehörigen Jahresumsatzes begrenzt und eine Attributionsangabe „Powered by ERNIE“ verlangt. Sollten die Gewichte der Vorschau tatsächlich unter Apache 2.0 erscheinen, wäre das eine Änderung der Lizenzbedingungen für die Familie und eine weitaus größere Sache als jede Benchmark-Zeile.

• Der unabhängige Wert. Nichts in dieser Veröffentlichung wurde von jemand anderem als Baidu ausgeführt. Die Benchmarks mit „AA“ im Namen sind die, auf die man achten sollte, denn Artificial Analysis betreibt eigene Testumgebungen und wird eine vergleichbare Zeile veröffentlichen, sobald das Modell dort aufgenommen wird; bis dahin sind die zwanzig Zellen eine Behauptung, keine Messung.

• Das fertige Modell. Baidu sagt, das Post-Training laufe noch, und die offizielle Veröffentlichung werde die Vorschau verbessern. Das ist eine ausdrückliche Aussage, dass die heutigen Zahlen ein Verfallsdatum haben, und sie macht jede Entscheidung, auf diesem Checkpoint aufzubauen, zu einer Entscheidung über ein bewegliches Ziel.

Wie kann man es bewerten, ohne einen Produktionspfad darauf zu verwetten?

Der Zugang erfolgt über Baidus eigene Qianfan-API oder über Drittanbieterplattformen, die sie weiterverkaufen. OrcaRouter leitet ERNIE 5.5 Flash Preview nicht weiter – es gibt keinen ERNIE-Eintrag in unserem Katalog mit mehr als 200 Modellen und keinen Baidu-Endpunkt dahinter, daher sollte nichts hier als Angebot verstanden werden, es bereitzustellen.

Der Nutzen des Katalogs in dieser Situation liegt auf der anderen Seite des Tisches: Die Modelle, an denen dieses hier gemessen wird, sind alle übereinen OpenAI-kompatiblen Schlüssel zum Listenpreis des Anbieters mit 0 % Aufschlag erreichbar, wodurch es möglich ist, dieselben zwanzig Aufgaben selbst durch GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 und DeepSeek V4.1 Flash laufen zu lassen und zu sehen, ob Baidus Reihenfolge Ihren Prompts standhält. Automatisches Failover übernimmt die zweite Aufgabe – eine Vorschau ohne Uptime-Historie muss nie das Einzige sein, was einen Request-Pfad aufrechterhält, weil ein gerouteter Fallback den Aufruf übernehmen kann, wenn er ins Stocken gerät.

Die Bewertung, die sich diese Woche lohnt, ist eng gefasst und günstig. Nehmen Sie zehn Ihrer eigenen Long-Horizon-Agentenaufgaben, lassen Sie jede davon durch die Preview und durch zwei Modelle laufen, denen Sie bereits vertrauen, und halten Sie pro Aufgabe drei Dinge fest: ob sie abgeschlossen wurde, wie viele Ausgabe-Tokens sie verbraucht hat und was sie gekostet hat. Das liefert Ihnen die zwei Zahlen, die Baidu nicht veröffentlicht hat – Tokens pro Aufgabe und Kosten pro abgeschlossener Aufgabe – im Vergleich zu einer Baseline, die Sie selbst gewählt haben. Alles andere im Release-Post, einschließlich der 46,5, stammt aus dem Harness von jemand anderem.

Was die Frage beantworten würde, ist nicht eine weitere Demo. Es ist ein Datum für die Apache-2.0-Veröffentlichung, eine Modellkarte mit Wissensstichtag und Evaluierungstabelle, eine von Artificial Analysis erstellte Zeile bei Artificial Analysis und ein zweiter Checkpoint, dessen Zahlen mit diesen hier verglichen werden können. Baidu hat inzwischen die Geschichte veröffentlicht, die es am 10. November hätte veröffentlichen sollen. Als Nächstes schuldet es seinen Nutzern das Artefakt, das sie davon befreit, ihm beim Scoreboard einfach glauben zu müssen.