ERNIE-5.5-Flash vs. Qwen 3.8 Flash: Ein Basis-Checkpoint trifft auf ein fertiges Modell

Stellt man ERNIE-5.5-Flash neben Qwen 3.8 Flash, dann ist die erste ehrliche Feststellung, dass es sich nicht um dieselbe Art von Objekt handelt. Was Baidu tatsächlich veröffentlicht hat, ist ERNIE-5.5-Flash-Base, der Checkpoint am Ende des Pre-Trainings – vor dem Mid-Training, vor dem Instruction Tuning, vor jeglicher Preference-Arbeit –, sodass er Text fortsetzt, statt Anfragen zu beantworten, und er wird über einen Completions-Endpunkt ausgeliefert, nicht über einen Chat-Endpunkt. Qwen 3.8 Flash, das Alibaba am 26. August 2026 veröffentlicht hat, ist ein fertiges multimodales Modell, das Text, Bilder und Video entgegennimmt und Text zurückgibt – für $0.15 pro Million Input-Tokens und $0.47 pro Million Output-Tokens. Das eine ist ein Ausgangspunkt, den man noch trainieren muss; das andere ist ein Produkt, das man heute Nachmittag aufrufen kann. Nahezu jede Zahl unten ändert ihre Bedeutung je nachdem, welche dieser beiden Dinge man zu vergleichen glaubt – deshalb lohnt es sich, das vor dem Datenblatt zu klären und nicht danach.

Was Baidu auf den Markt gebracht hat – und was es nicht gesagt hat

Die Veröffentlichung ist auf die ganz eigene Art still, die chinesischen Open-Weight-Veröffentlichungen oft zu eigen ist: Die Artefakte sind eher da als die Geschichte. Das Repository baidu/ERNIE-5.5-Flash-Base wurde am 21. Oktober auf Hugging Face erstellt, lag eine Woche lang nahezu leer und erhielt dann zwischen dem 2. und 3. November seine 128 FP8-Gewichts-Shards. Die Architektur- und Benchmark-Diagramme kamen am 4. November hinzu, und die Model Card selbst wurde noch heute Morgen überarbeitet. Baidus eigene Veröffentlichungsseite ist auf heute, den 5. November, datiert, und die einzige Diskussion, die außerhalb dieser Seite darüber entstanden ist, besteht aus einem Forenthread und einem WeChat-Beitrag. Es gibt keine Pressemitteilung, keine Launch-Veranstaltung und keine nennenswerte Presseberichterstattung.

Das ist wichtig dafür, worauf man sich verlassen kann und worauf nicht. Aus dem Repository lässt sich wissen: die Architektur, die Parameteranzahlen, eine vollständige Benchmark-Tabelle des Anbieters mit explizit genanntem Harness, funktionierende Serving-Rezepte für SGLang und vLLM, der Lizenztext und die Tatsache, dass es neben der FP8-Version auch eine BF16-Schwester gibt. Nicht wissen lässt sich: ob Baidu beabsichtigt, es als API anzubieten – Qianfans Preisliste, zuletzt aktualisiert am 18. Oktober, führt ERNIE 5.1, 5.0 und 4.5 Turbo auf und keinen ERNIE-5.5-Eintrag irgendeiner Art –, wie eine instruction-tuned Version davon abschneidet und ob irgendein unabhängiger Evaluator auch nur eine einzige Zahl in Baidus Tabelle reproduzieren wird.

Die Magazin-Spezifikation, fürs Protokoll: 280B Gesamtparameter mit 14B aktiven pro Token, von Grund auf auf 33,5T Token vortrainiert, 43 Schichten, von denen eine ein dichtes FFN und 42 MoE sind, 512 geroutete Experten mit Top-10-Routing plus einem geteilten Experten und ein Vokabular von 201.216 Token. Die veröffentlichte Konfiguration ermöglicht einen Kontext von 1.048.576 Token, obwohl das Training überhaupt nur 131.072 zu sehen bekam. Es gibt außerdem einen 0,36B-Kopf zur Multi-Token-Vorhersage, der in keiner der beiden Parameterzahlen mitgezählt wird.

Der Spezifikationskontrast – auf den Dimensionen, die tatsächlich entscheiden

• Was Sie erhalten — ERNIE-5.5-Flash-Base ist ein Checkpoint und sonst nichts: Gewichte, die Sie herunterladen, ein /v1/completions-Endpunkt und kein Verhalten zur Befolgung von Anweisungen. Qwen 3.8 Flash ist ein bereitgestelltes Modell mit Tool Calling, Reasoning-Modus, strukturierten Ausgaben und einer maximalen Antwortlänge von 131.072 Token.

• Größe — 280B gesamt / 14B aktiv für ERNIE gegenüber 125B gesamt / etwa 6B aktiv für Qwen 3.8 Flash, das zusätzlich eine 51B-N-Gramm-Embedding-Tabelle und einen ~4B-MTP-Head trägt, wodurch etwa 180B Parameter auf der Festplatte liegen.

• Attention-Design — ERNIE verwendet 43 Schichten, aufgeteilt in 37 stark komprimierte Attention-Schichten (HCA) plus 6 MLA-Schichten mit Sparse Attention; Qwen 3.8 Flash verwendet einen Hybrid aus Gated DeltaNet und Qwen Sparse Attention über 48 Schichten. Beide sind Wetten darauf, dass klassische Full Attention bei Preisen der Flash-Klasse der falsche Posten ist – eingegangen aus entgegengesetzten Richtungen.

• Kontext — 1 Mio. Tokens werden auf beiden Seiten beansprucht, jedoch aus unterschiedlichen Quellen: ERNIE wurde mit 128K trainiert und ermöglicht 1 Mio. erst beim Fine-Tuning und zur Inferenzzeit, während Qwen 3.8 Flash nativ 262K bietet und 1 Mio. durch YaRN-Erweiterung erreicht.

• Modalität — ERNIE-5.5-Flash-Base ist reiner Text, in Englisch und Chinesisch. Qwen 3.8 Flash akzeptiert Text, Bilder und Video, und die Anbietertabelle enthält Ergebnisse aus AndroidWorld, OSWorld 2.0, MathVision und LVBench, die ein reiner Text-Checkpoint nicht liefern kann.

• Gewichte auf der Qwen-Seite — das produktive Qwen 3.8 Flash ist ausschließlich als API verfügbar, doch sein Open-Weight-Geschwister Qwen3.8-Flash-Next ist unter der Qwen Community License 1.0 veröffentlicht, sodass die beiden Seiten besser vergleichbar sind, als die Gegenüberstellung „API versus Gewichte“ zunächst nahelegt.

• Bereitstellung — Baidu liefert ein funktionierendes Rezept: das Image lmsysorg/sglang:dev-ernie-55-flash mit --tp 4 oder vLLM 0.32.0 plus das baidu/vLLM-ERNIE-Plugin mit Datenparallelitätsgröße 4. Qwen 3.8 Flash benötigt kein Bereitstellungsrezept, da Alibaba es für Sie bereitstellt.

• Preis — Es gibt nirgendwo einen veröffentlichten Preis pro Token für ERNIE-5.5-Flash-Base, da es keinen gehosteten Endpunkt gibt, der bepreist werden könnte; 0,15 $ Eingabe / 0,47 $ Ausgabe pro Million Tokens für Qwen 3.8 Flash, wobei Lesezugriffe auf zwischengespeicherte Eingaben 0,0184 $ kosten.

• Lizenz — die ERNIE 5.5 Flash Base Model License Agreement v1.0, eine individuelle Vereinbarung, die es wert ist, vollständig gelesen zu werden, bevor man ein Produkt darauf aufbaut, gegenüber der Qwen Community License 1.0 auf der offenen Qwen-Seite.

Die Benchmark-Zeilen, die vergleichbar aussehen – und es nicht sind

Hier ist die Falle, die dieser Vergleich aufstellt. Beide Anbieter veröffentlichen eine LiveCodeBench-Zahl, und die beiden Zahlen sind 40,1 und 91,9.

Sie messen nicht dasselbe, und die Kluft zwischen ihnen ist keine Fähigkeitslücke. Baidus 40,1 ist Pass@1, One-Shot, auf dem rohen, vorab trainierten Checkpoint – das Modell wird gebeten, Code-Fortsetzungen zu vervollständigen, ohne je gelernt zu haben, einer Anweisung zu folgen. Alibabas 91,9 ist LiveCodeBench v6, eine andere und spätere Benchmark-Version, berichtet für ein Modell, das eine vollständige Post-Training-Pipeline durchlaufen hat. Das GPQA-Paar hat dasselbe Problem: 60,2 für ERNIE bei Five-Shot-Exact-Match auf einem Basis-Checkpoint, 91,7 für Qwen auf GPQA Diamond nach Instruction-Tuning. Selbst der MMLU-Vergleich, 93,3 gegenüber einem Modell, das kein MMLU veröffentlicht, hat nichts, womit er sich vergleichen ließe.

Das ist kein Seitenhieb gegen eines der beiden Modelle. Es ist eine Aussage darüber, wofür eine Base-Model-Evaluierung da ist. Ein Wert von 40,1 auf LiveCodeBench von einem Checkpoint, der noch nie eine Instruktion gesehen hat, sagt etwas darüber aus, wie viel Codestruktur das Pre-Training aufgenommen hat, und in dieser Lesart ist das eine vernünftige Zahl. Sie sagt nichts darüber aus, wie dieselben Gewichte abschneiden würden, nachdem jemand sie feinabgestimmt hat. Niemand, auch Baidu nicht, hat diese Zahl veröffentlicht.

Die einzige Tabelle, die man für bare Münze nehmen kann, ist Baidus eigene, denn alle vier Spalten wurden durch dieselbe Pipeline, dieselben Prompts und dieselben Few-Shot-Einstellungen geschickt. Gegen DeepSeek-V4-Flash-Base (284B-A13B), Hy3-preview-Base (295B-A21B) und MiMo-V2.5-Base (310B-A15B) erzielt ERNIE-5.5-Flash-Base in 24 von 30 Benchmarks den Bestwert in der Zeile, darunter MMLU-Pro mit 78,4 gegenüber 69,2, HumanEval+ mit 82,3 gegenüber 69,5 und RepoQA mit 91,7 gegenüber 81,0. Es verliert ChineseSimpleQA gegen DeepSeek, FullStackBench und BBH Chain-of-Thought gegen Hy3 sowie sowohl HELMET-Rerank als auch InfiniteBench gegen DeepSeek. Das sind vom Anbieter ermittelte Zahlen auf einem vom Anbieter gewählten Harness ohne unabhängige Replikation – aber sie sind intern vergleichbar, was man von keiner herstellerübergreifenden Gegenüberstellung in diesem Artikel behaupten kann.

Was jede Route kostet, mit der Rechnung dazu

Qwen 3.8 Flash lässt sich am einfachsten bepreisen. Nehmen wir eine Support- und Extraktions-Workload von 1.000 Anfragen pro Tag mit durchschnittlich 6.000 Eingabe- und 800 Ausgabe-Tokens: 6 Mio. Eingabe- und 0,8 Mio. Ausgabe-Tokens täglich, also 180 Mio. und 24 Mio. über einen 30-Tage-Monat. Bei $0,15 und $0,47 pro Million ergibt das $27,00 plus $11,28 — $38,28 pro Monat, wobei gecachte Lesevorgänge zu $0,0184 pro Million den wiederkehrenden Anteil des System-Prompts weiter verringern.

ERNIE-5.5-Flash-Base hat keine entsprechende Kostenposition, daher ist das einzig ehrliche Kostenmodell die Hardware. Das FP8-Repository besteht aus 128 Shards von jeweils rund 2,25 GB, also etwa 288 GB an Gewichten; die BF16-Variante verdoppelt das. Baidus eigener SGLang-Startbefehl teilt es mit --tp 4 in vier Teile auf, wodurch etwa 72 GB an Gewichten auf jeder GPU liegen, bevor es überhaupt einen KV-Cache gibt — auf einer 80-GB-Karte nur dann machbar, wenn Sie das Kontextfenster nie nutzen, und komfortabel auf Karten der H200-Klasse. Mieten Sie vier davon zu einem mittleren Preis von 2–3 US-Dollar pro GPU-Stunde, und der Knoten kostet bei Dauerbetrieb rund 5.800–8.600 US-Dollar pro Monat, bevor Sie irgendjemanden dafür bezahlt haben, es zu fine-tunen, zu evaluieren oder den Serving-Stack aktuell zu halten.

Das liegt in der Größenordnung des 150- bis 225-Fachen der Qwen-API-Rechnung im obigen Beispiel, und der Vergleich ist bewusst in eine Richtung unfair: Die beiden sind keine Substitute, bis jemand den ERNIE-Checkpoint nachtrainiert. Der Sinn der Rechnung ist nicht, dass Selbsthosting teuer ist – sondern dass die Fixkosten real sind und anfallen, bevor das Modell auch nur eine einzige Anweisung beantworten kann, sodass das Volumen, ab dem es günstiger ist, es zu besitzen, statt etwas Fertiges zu mieten, viel höher liegt, als ein Vergleich pro Token vermuten lässt.

Bei langem Kontext konvergieren die beiden Designs.

Beide Modelle geben an, eine Million Token zu verarbeiten, und beide erreichen das, indem sie darauf verzichten, über eine Million Positionen hinweg volle Attention zu berechnen. Die HCA-Schichten von ERNIE cachen einen einzelnen Eintrag pro 128 Token, sodass 37 seiner 43 Schichten ihren KV-Cache 128-mal langsamer wachsen lassen als eine konventionelle Schicht; die sechs MLA-Schichten behalten den Zugriff mit voller Auflösung für die Token, die ihn benötigen. Der GDN-plus-QSA-Hybrid von Qwen trifft denselben Kompromiss von der Seite der sparse Attention aus, und seine 6B aktiven Parameter halten den Rechenaufwand pro Token niedrig, unabhängig davon, was die Attention gerade tut.

Für Leserinnen und Leser liegt der praktische Unterschied nicht darin, welches Design cleverer ist – beide sind glaubwürdig –, sondern darin, dass nur eines der beiden einen Preis dafür mit sich bringt, diesen Kontext tatsächlich zu nutzen. Ein Prompt mit einer Million Token auf Qwen 3.8 Flash hat heute eine konkrete Zahl dahinter. Auf ERNIE-5.5-Flash-Base hat derselbe Prompt eine Schätzung in GPU-Stunden und eine unbeantwortbare Frage dazu, wie sich ein Basismodell bei dieser Länge ohne Instruction-Tuning verhält.

Wer sollte was auswählen?

Wählen Sie Qwen 3.8 Flash, wenn Sie ein Modell brauchen, das Anweisungen sofort befolgt, wenn Ihre Eingaben Screenshots, Dokumente oder Videos enthalten, wenn die Long-Context-Rechnung das Kapazitätsplanungsproblem von jemand anderem sein soll und wenn $0,15/$0,47 pro Million Tokens zu den Unit Economics dessen passen, was Sie bauen. Es ist zwei Monate alt, Drittanbieter-Tracker haben es seit dem Launch erfasst, und die Anbieterzahlen – SWE-bench Pro 62.5, GPQA Diamond 91.7, CoWorkBench 73.9 – sind Behauptungen und keine verifizierten Ergebnisse; behandeln Sie sie daher als Obergrenze, bis Ihre eigene Evaluierung etwas anderes sagt.

Wählen Sie ERNIE-5.5-Flash-Base, wenn Sie über Post-Training-Kompetenz verfügen und einen Grund haben, das Modell zu besitzen, statt es zu mieten: eine Domäne, deren Daten Sie nicht an eine API senden können, eine chinesisch-englische Arbeitslast, bei der CMMLU 90,0 und ChineseSimpleQA 73,0 die Zahlen sind, die für Sie zählen, ein RL-Forschungsprogramm, das einen 280B-A14B-Ausgangspunkt möchte, oder ein Latenzbudget, das einen dedizierten Vier-GPU-Knoten rechtfertigt. Sie müssen außerdem damit leben können, dass die Lizenz eine individuelle Baidu-Vereinbarung und nicht Apache ist und dass das Modell nichts Nützliches leistet, bis Ihr Team es nützlich macht.

Wählen Sie dennoch keines von beiden, wenn Sie tatsächlich ein bewährtes Allzweckmodell wollen. Qwen 3.8 Flash ist ein fertiges Produkt ohne unabhängigen Benchmark-Wert, und ERNIE-5.5-Flash-Base ist ein unfertiges Modell mit einer Benchmark-Tabelle des Anbieters. Keines von beiden ist die sichere Standardoption, die ein zwei Jahre altes Flaggschiff wäre.

Das Experiment durchführen, ohne darauf eine Roadmap zu verwetten

Das Unangenehme an diesem Vergleich ist, dass die beiden Seiten auf völlig unterschiedliche Weise erreicht werden, und eine Routing-Schicht hilft genau bei einer von ihnen. Qwen 3.8 Flash ist über OrcaRouter als qwen/qwen3.8-flash verfügbar, zum Listenpreis des Anbieters mit 0 % Aufschlag — dieselben 0,15 $ und 0,47 $, die der Anbieter berechnet, durchgereicht, ohne dass für den Hop etwas hinzukommt. ERNIE-5.5-Flash-Base ist nichts, was wir anbieten: Es ist ein Weights-Release, und es gibt keinen gehosteten Endpunkt dafür, an den man routen könnte, weder hier noch anderswo, soweit wir finden können.

Wofür ein einzelner Endpunkt in dieser Situation wirklich gut ist, ist der Teil, der nach dem Experiment kommt. Der realistische Weg für ein ERNIE 5.5 Flash ist, dass ein Team den Basis-Checkpoint nachtrainiert, und dann stellt sich die Frage, ob das abgestimmte Modell Qwen 3.8 Flash im eigenen Traffic schlägt. Sind beide hinter einem Schlüssel, ist das eine Änderung der Modell-ID statt eines zweiten Vertrags und eines zweiten SDKs, die Routing-DSL kann den Produktions-Traffic zwischen ihnen aufteilen, während Sie sich entscheiden, und automatisches Failover bedeutet, dass ein nicht erprobter Sieger nicht das gesamte Feature am ersten schlechten Tag lahmlegen kann. Modellfusion gibt Ihnen die dritte Option – ein Panel, das gemeinsam antwortet –, die oft der günstigste Weg ist, herauszufinden, ob ein neues Tuning tatsächlich besser ist als das etablierte Modell oder lediglich anders.

Was würde diese Antwort ändern?

Drei Dinge, ungefähr nach Wahrscheinlichkeit geordnet. Ein instruction-tuned ERNIE 5.5 Flash würde daraus statt einer Kategorie-Fehlpaarung einen echten direkten Vergleich machen, und die Basiswerte legen nahe, dass er konkurrenzfähig wäre – 82,3 auf HumanEval+ und 91,7 auf RepoQA von einem nicht instruktionsabgestimmten Checkpoint sind eine starke Ausgangsposition. Ein Eintrag für ERNIE 5.5 auf Qianfans Preisliste würde der Self-Hosting-Kalkulation etwas zum Vergleich geben und Ihnen verraten, ob Baidu dieses Modell verkaufen oder verschenken will. Und eine Drittanbieter-Bewertung für eines der beiden Modelle würde es Leserinnen und Lesern ermöglichen, Herstellertabellen nicht mehr blind zu vertrauen – genau der Zustand, in dem diese Paarung heute feststeckt: Qwen 3.8 Flash hat keinen unabhängigen Benchmark-Wert vorzuweisen, und ERNIE-5.5-Flash-Base hat in keiner neutralen Rangliste überhaupt einen Eintrag.

Bis zwei davon verfügbar sind, ist „Welches ist besser“ keine Frage, die irgendjemand gemessen hat. Was sich heute beantworten lässt, ist enger gefasst und nützlicher: Qwen 3.8 Flash ist ein Modell, das man aufrufen kann, und ERNIE-5.5-Flash-Base ist ein Modell, auf dem man aufbauen kann. Das sind unterschiedliche Aufgaben, und keine Benchmark-Tabelle wird klären, welche Sie haben.