ERNIE 5.5 Flash Preview y la afirmación de «modelo abierto n.º 2» que contradice su propia fila de la tabla de clasificación

Baidu citó en un tuit una afirmación de una tabla de clasificación el 12 de noviembre de 2026 que dice, en su totalidad, «Ernie 5.5 Flash Preview de @Baidu_Inc está en camino de convertirse en el modelo abierto n.º 2 en Code Arena: WebDev, con 1668 pts.». Baidu añadió el recuento de parámetros —280 mil millones en total, 14 mil millones activos por token— y agradeció a la comunidad por «ponerlo a prueba». Luego dejó que el resto quedara como estaba. El problema es que la fila que produce ese 1668 no está etiquetada como abierta. En el mismo tablero Code Arena WebDev, en la misma instantánea del 10 de noviembre, ERNIE 5.5 Flash Preview lleva la etiqueta Propietario, una puntuación de 1668 ±16, la etiqueta AutoEval, y votos indicados como N/A. Los modelos nombrados como aquellos a los que supera —DeepSeek-V4.1-Flash con 1664 y Kimi K3 con 1658— son filas clasificadas con 13 952 y 22 405 votos humanos, respectivamente, y la fila de DeepSeek lleva una etiqueta de licencia MIT. Así que la frase hace tres cosas a la vez: informa de una puntuación real, promete una licencia que aún no existe y describe una clasificación que el tablero no ha asignado.

Nada de eso hace que el número sea incorrecto. Hace que el número sea un tipo de objeto distinto del que vende la frase, y la diferencia es completamente legible en las propias columnas de la tabla de clasificación.

Lo que publicó Arena, y la línea que Baidu omitió

La publicación de Arena se emitió a las 01:08:21 UTC del 12 de noviembre de 2026, un minuto antes de la cotización de Baidu. Vale la pena tener su texto completo a la vista, porque la afirmación y su matiz están en el mismo párrafo:

"Ernie 5.5 Flash Preview de @Baidu_Inc va camino de convertirse en el modelo abierto n.º 2 en Code Arena: WebDev, con 1668 pts."

• "Los pesos se publicarán como código abierto bajo la licencia Apache 2.0 pronto."

• "Su puntuación lo sitúa justo por encima de: DeepSeek-V4.1-Flash (Max) con 1664, Kimi K3 (Max) con 1658."

Arena matizó la clasificación dos veces —"tendiendo a convertirse"— y vinculó el estatus de pesos abiertos a un evento futuro con la palabra "soon". El tuit de cita de Baidu reprodujo la puntuación y los recuentos de parámetros, omitió por completo la frase de Apache 2.0 y mantuvo el encuadre "latest from @arena". Un lector que solo viera la publicación de Baidu no sabría que la mitad de la afirmación relativa al modelo abierto es una declaración prospectiva, porque el único lugar donde se afirmó es la mitad que se recortó.

Eso no es una cita errónea. Es una selección, y traslada la carga de la prueba al lector que quiere verificarla — que es lo que hace el resto de este texto.

La fila, leída columna por columna.

Code Arena WebDev puntúa el trabajo de desarrollo web front-end: tareas de codificación agéntica con múltiples pasos de razonamiento y uso de herramientas, no la calidad del chat ni la codificación general. Su instantánea del 10 de noviembre contiene 995,980 votos de 158 modelos. Aquí está la fila de ERNIE 5.5 Flash Preview tal como la imprime el tablero, sin añadir interpretación:

• Puntuación — 1668, publicado como 1668 +16/-16, por lo que un intervalo de aproximadamente el 90 por ciento de alrededor de 1652 a 1684.

• Rango — N/A. La fila se muestra entre el rango 16 y el rango 17 sin un número de rango.

• Votos — N/A. No hay ningún recuento de votos humanos en la fila en absoluto.

• Etiqueta — AutoEval, una etiqueta vinculada que apunta a la página explicativa propia de Arena.

• Etiqueta de licencia — Propietaria.

• Precio — $0.28 de entrada, $1.13 de salida por millón de tokens, lo que coincide con el precio de lista de Qianfan.

• Contexto — N/A, en un modelo cuya página del proveedor indica una ventana de 1M de tokens.

Tres de esas siete columnas son N/A, y una de ellas es la columna de la licencia, que es la columna de la que depende la afirmación. Compara la banda que afirma superar y el panorama se vuelve más nítido en lugar de más difuso:

• 1691 — Claude Opus 5 (Max), A​nthropic, Propietario.

• 1688 — Kimi K3.1 Pro (Max), M​oonshot, etiquetada como "Kimi K3.1 Pro License", una licencia personalizada que Arena no marca ni como abierta ni como propietaria.

• 1682 — Gemini 4 Argon (High), Google, Propietario.

• 1679 — GPT-6.1 Terra (Max), O​penAI, Propietario.

• 1676 — Qwen3.8-Max (0902), A​libaba, Propietario, Preliminar.

• 1673 — GPT-6 Sol (Max), OpenAI, Propietario.

• 1670 — Qwen3.8-Max, Alibaba, Propietario, Preliminar.

• 1668 — ERNIE 5.5 Flash Preview, Baidu, Propietario, AutoEval.

• 1664 — DeepSeek-V4.1-Flash-20261017 (Max), D​eepSeek, MIT, 13.952 votos.

• 1658 — Kimi K3 (Max), Moonshot, 22.405 votos.

Lee esa lista en contraste con la afirmación. Todo lo que está por encima de ERNIE en ella es Propietario excepto una fila de licencia personalizada. El primer modelo genuinamente con licencia abierta que encuentras es la fila de D​eepSeek debajo de él. Así que «modelo abierto n.º 2» no es una descripción de dónde se sitúa ERNIE en esta tabla. Es una descripción de dónde se situaría ERNIE si los pesos se publicaran bajo Apache 2.0 y si las puntuaciones de AutoEval se trataran como equivalentes a las votadas por humanos. Ambas condiciones son futuras o discutidas, y ninguna es visible en el tuit citado.

Qué es AutoEval realmente y por qué ±16 importa aquí

Arena publicó su metodología AutoEval el 30 de julio de 2026 y la revisó por última vez el 12 de agosto. El mecanismo es un modelo de recompensa entrenado con preferencias humanas, utilizado para emitir votos automáticamente: se muestrean pares de indicaciones y respuestas en vivo, se regenera una respuesta del modelo objetivo, se hace que el modelo de recompensa puntúe ambas, se convierte la diferencia de puntuación en un voto de probabilidad suave y luego se combinan esos votos sintéticos con los votos humanos en vivo sobre los otros modelos. Arena afirma que las puntuaciones resultantes se etiquetan claramente como «AutoEval» y luego se actualizan una vez que llegan suficientes votos humanos para validarlas, y reporta una correlación de clasificación superior a 0,98 con la evaluación en vivo.

Esa es una forma defendible de obtener una señal del primer día, y es la razón por la que un modelo puede aparecer en un ranking el día en que se lanza. También es, según la propia descripción de Arena, un marcador provisional. El número es provisional por construcción y se espera que cambie. La etiqueta en la fila de ERNIE no es decoración; es una instrucción de tratar 1668 como una estimación pendiente de validación.

Ahora apliquemos la barra de error, que es la parte de la fila que nadie citó. El intervalo de ERNIE va de aproximadamente 1652 a 1684. El 1664 de DeepSeek-V4.1-Flash y el 1658 de Kimi K3 quedan ambos dentro de él. También Qwen3.8-Max con 1670, y GPT-6 Sol con 1673. La frase «su puntuación lo sitúa justo por encima de DeepSeek-V4.1-Flash con 1664 y de Kimi K3 con 1658» es aritméticamente cierta respecto a las estimaciones puntuales y estadísticamente no respaldada como comparación: según la incertidumbre publicada de esta propia fila, ERNIE no se distingue de ningún modelo entre 1652 y 1684. Podría estar por encima de DeepSeek. Podría estar por debajo. La tabla no indica actualmente cuál.

Esto no es una tecnicidad dirigida a un solo proveedor. Un intervalo de ±16 en una tabla donde todo el top-25 abarca aproximadamente 200 puntos significa que casi todos los pares de filas adyacentes están empatados en este nivel de confianza, y la lectura honesta de cualquier comparación adyacente individual —para cualquier modelo— es «nivel». Lo único inusual aquí es que un proveedor amplificó la comparación adyacente como resultado.

De dónde viene el "#2" y de qué licencia depende

Si se razona hacia atrás a partir de las cifras, hay exactamente una forma en que la afirmación se vuelve verdadera, lo cual vale la pena señalar porque es verificable y porque Arena no lo explicó con claridad.

Tomemos el conjunto abierto como "cada fila que Arena no etiqueta como Proprietary". Por encima de 1668, eso deja precisamente una fila: Kimi K3.1 Pro (Max) en 1688, con la etiqueta "Kimi K3.1 Pro License". Todo lo demás por encima de ERNIE está etiquetado como Proprietary. Bajo esa lectura, Kimi K3.1 Pro es el n.º 1 y ERNIE 5.5 Flash Preview sería el n.º 2 — no porque haya superado al resto, sino porque el resto que está por delante es propietario.

Esa reconstrucción es una inferencia, no una cita: la publicación de Arena no nombra el modelo que considera #1, y la tabla no expone su clasificador de abierto frente a propietario más allá de las etiquetas de licencia. Si esa inferencia es correcta, entonces el hecho sustentador de la afirmación es una licencia personalizada sobre un modelo ajeno — Arena considera Kimi K3.1 Pro como abierto, y todo el encuadre de "#2 open model" hereda esa decisión de clasificación. Si, en cambio, Arena cuenta las licencias personalizadas como cerradas, el 1668 de ERNIE es la fila no propietaria más alta y la afirmación debería haberse leído "#1", que habría sido una frase más extraña de publicar sobre una vista previa.

En cualquier caso, la frase está haciendo más trabajo del que respaldan los datos. El número es real. El rango está condicionado a una licencia que nadie ha visto.

La distancia que oculta el encuadre

Una cifra más pertenece a cualquier versión honesta de esta publicación, y su ausencia es lo más revelador de ella. La cima de Code Arena WebDev en la misma instantánea es Claude Fable 5.2 con 1836. ERNIE 5.5 Flash Preview con 1668 está 168 puntos por detrás de eso — y sería el 17.º de 158 si se clasificara la fila de AutoEval, colocándose entre Qwen3.8-Max con 1670 y DeepSeek-V4.1-Flash con 1664.

Decimoséptimo en una tabla de 158 modelos, un día después del lanzamiento, con 14 mil millones de parámetros activos de 280 mil millones en total, es un resultado genuinamente bueno. Es el tipo de resultado que justifica una publicación de la semana de lanzamiento. No es el tipo de resultado que necesita ser presentado como un puesto en el podio, y presentarlo así invita exactamente al escrutinio que le cuesta a un proveedor más credibilidad de la que le habría costado la frase honesta.

Lo que la página del proveedor dice y no dice

La propia página de lanzamiento de Baidu para ERNIE 5.5 Flash Preview está fechada el 11 de noviembre de 2026, afirma "280B de parámetros totales con 14B activos y un contexto de 1M de tokens" y describe el modelo como el primer checkpoint posentrenado sobre ERNIE 5.5 Flash Base, los pesos base publicados el 5 de noviembre. No contiene ninguna declaración de licencia, ninguna declaración sobre los pesos y ninguna cifra de benchmark: las referencias a benchmarks de la página son titulares sobre lanzamientos anteriores de ERNIE, no puntuaciones de este modelo.

Esa brecha importa para la afirmación que se examina. «Los pesos se abrirán como código abierto bajo Apache 2.0 pronto» aparece en la publicación de Arena. No aparece en la página de lanzamiento del proveedor, y no aparece en la propia amplificación que el proveedor hace de esa publicación. Si el compromiso con Apache 2.0 es real y vigente, la página de lanzamiento es el lugar natural para ello y no está ahí. Si es real pero aún no está documentado, entonces la única fuente pública de un compromiso de licencia sobre este modelo es un anuncio de una tabla de clasificación —lo cual es un lugar endeble para que viva una licencia cuando un proveedor está construyendo un ranking sobre ella.

Cómo usar esto antes de que se estabilicen los números

La pregunta práctica para cualquiera que elija un modelo esta semana no es si 1668 es una buena puntuación. Es si una estimación provisional de WebDev sobre un checkpoint de vista previa, con un precio de $0.28 de entrada y $1.13 de salida con razonamiento obligatorio facturado como salida, debería desplazar algo que ya está en producción. Según la evidencia disponible, la respuesta es no — pero la forma de probarlo es barata, y no requiere creer ni en la publicación ni en este artículo.

Haz la comparación con los modelos enrutados en lugar de con la tabla de clasificación. DeepSeek-V4.1-Flash y Kimi K3 están disponibles a través de OrcaRouter con una única clave compatible con OpenAI, al precio de lista del proveedor sin recargo, así que el grupo de control cuesta la tarifa propia del proveedor en lugar de un segundo contrato y un segundo SDK. Crea veinte tareas de front-end que representen tu trabajo real —refactorizaciones de componentes, un error de maquetación que solo se manifiesta en un breakpoint, un trabajo de cableado de una máquina de estados—, ejecuta cada modelo dos veces y cuenta los tokens de salida además de la corrección. Esa es la medición que ninguna fila de la tabla de clasificación te dará, porque es el único número que tiene que ser tuyo: coste por tarea, no precio por token.

Trata a ERNIE 5.5 Flash Preview como lo que se está probando en lugar de lo que se está adoptando. Está en Qianfan, no en nuestro catálogo, y una versión preliminar que su propio proveedor denomina checkpoint intermedio de post-entrenamiento es exactamente el perfil que se enruta detrás de un primario en lugar de delante de él. Si de verdad lo pones en una ruta, ponlo en una ruta con failover, para que el día que Arena reemplace 1668 por un número votado por humanos —o el día que aparezcan los pesos de Apache 2.0, o que no aparezcan— tus usuarios se enteren por una línea de log y no por una caída.

¿Qué lo zanjaría?

Tres cosas, en el orden en que probablemente lleguen, cada una de las cuales cambiaría el veredicto de este artículo en lugar de simplemente embellecerlo.

Votos humanos que reemplazan la etiqueta AutoEval en esa fila. Arena dice que las puntuaciones se actualizan una vez que llegan suficientes votos. Cuando los votos dejen de mostrar N/A, el 1668 se vuelve comparable con el 1664 y el 1658 frente a los que se estableció, y la cuestión del ±16 se resuelve por sí sola. Observa cómo el intervalo se estrecha tanto como se mueve la estimación puntual.

• Pesos publicados bajo una licencia con nombre. Un repositorio real con un archivo Apache 2.0 resuelve la cuestión del modelo abierto de forma permanente y hace que el encuadre del "#2 modelo abierto" sea retroactivamente justo. Un anuncio de licencia sin pesos no resuelve nada.

• {{1}}Una medición independiente de WebDev.{{/1}} El AutoEval de Arena es el propio instrumento de Arena, y cada cifra de benchmark que Baidu ha publicado para este modelo es una ejecución propia de Baidu en su propio harness. Ninguno de los dos es un resultado de terceros. La primera evaluación de front-end verdaderamente independiente de {{2}}ERNIE 5.5 Flash Preview{{/2}} valdrá más que ambos.

Hasta entonces, la frase exacta es la aburrida: un checkpoint de vista previa que Baidu publicó el 11 de noviembre quedó en 1668 en Code Arena WebDev, una estimación de AutoEval dentro de un intervalo que se solapa con los cuatro modelos inmediatamente inferiores, en una fila que el tablero todavía etiqueta como Proprietary, y su proveedor lo amplificó como un #2 a corto plazo entre los modelos abiertos. Cada cláusula de eso es verificable hoy. La versión que se tuiteó no está tanto equivocada como incompleta, y se publicó como si estuviera terminada.