ERNIE 5.5 Flash Preview quiere tu tarea más difícil: lo que realmente demuestra la construcción de once horas

ERNIE 5.5 Flash Preview se lanzó como endpoint facturable en la plataforma Qianfan de Baidu el 10 de noviembre de 2026, y la publicación oficial de lanzamiento llegó el 11 de noviembre con una única afirmación de titular: dale tus tareas más difíciles. Esa afirmación se apoya en un artefacto más que en cualquier otra cosa —un juego en tercera persona de Unreal Engine 5.8 creado en lo que Baidu describe como una única tarea de programación de once horas— y en veinte filas de benchmark que Baidu ejecutó en sus propios harnesses con jueces que eligió. Ni las once horas ni las veinte cifras se han reproducido fuera de la empresa. La pregunta interesante no es si la demo es impresionante. Es si una ejecución agéntica de once horas es siquiera lo correcto que hay que medir, y qué dice la hoja de especificaciones sobre la factura que pagarías por una. El catálogo contiene 228 modelos de 17 proveedores y no hay ninguna entrada de ERNIE en un catálogo de 228 modelos de 17 proveedores así que el grupo de comparación está a una tecla de distancia aunque el sujeto no lo esté.

La afirmación se refiere a la duración, no a la dificultad.

Toda publicación de lanzamiento de un modelo dice que el modelo es bueno en cosas difíciles. Este define lo difícil de otra manera: lo define como largo. La compilación del juego, las escenas 3D, los espacios de trabajo de miles de archivos y el corto animado de 116 segundos son todos ejercicios de mantener un plan coherente a lo largo de horas de ediciones y llamadas a herramientas, no de responder una pregunta que un modelo más pequeño respondería mal.

Esa distinción importa porque ambas propiedades se separan. Un modelo puede ser excelente en razonamiento de un solo turno y venirse abajo en la cuarta hora de una refactorización, cuando el contexto está lleno de sus propios errores anteriores y el plan necesita revisarse en lugar de ejecutarse. Un modelo también puede ser mediocre en un rompecabezas de una sola vez y aun así ser la elección correcta para una compilación nocturna. Baidu apuesta a que lo que te importa es lo segundo.

La frase más útil de toda la publicación no es un benchmark. Está en la sección de desarrollo de videojuegos y describe cómo funcionaba el modelo sin poder ver: como es solo texto y no puede mirar la pantalla, convertía errores detectados en las pruebas de juego —un personaje flotando sobre el suelo, una dirección de carrera inconsistente, una cámara mal colocada— en pruebas medibles en el código. Es una descripción sincera de una solución provisional, y revela algo que la hoja de especificaciones no dice. La competencia del modelo en el trabajo visual se delega a herramientas que él mismo escribe, lo que significa que la calidad del resultado depende de si puede inventar una prueba verificable para aquello que no puede ver.

Lo que realmente contiene el reel

Los cuatro estudios de caso merecen enumerarse porque son más específicos de lo que suele ser el texto de lanzamiento, y la especificidad es lo que los hace verificables en principio.

• Desarrollo de videojuegos — un juego de Unreal Engine 5.8 en tercera persona creado en una única tarea de once horas, fusionando recursos de varias generaciones del motor en un único proyecto y escribiendo el juego en C++; por separado, casi un centenar de minijuegos móviles generados a partir de documentos de diseño en Cocos, Unity, LayaAir, PixiJS y Canvas 2D, la mayoría de los cuales estructura sus reglas como una simulación determinista para que las partidas de bots y la búsqueda en el espacio de estados puedan demostrar que todos los niveles se pueden completar.

• Modelado 3D: un Boeing 747 y el aeropuerto de Pekín Daxing construidos por dos agentes mediante la API de Python de Blender, uno para el aeropuerto y otro para la aeronave, luego ajustados a escala, iluminados, renderizados fotograma a fotograma con Cycles y OptiX y cortados con FFmpeg; el complejo del templo Hōryū-ji, investigado y ensamblado paso a paso; una secuencia de previs de aproximadamente 2.100 objetos y 1,82 millones de triángulos en cuatro escenas de Blender; un motor W16, dos torres de Shenzhen y un rover lunar modelados en FreeCAD mediante scripts de Python.

• Trabajo de conocimiento: un informe de investigación de 20 páginas sobre los costos eléctricos de los centros de datos, un análisis de conducción autónoma de 24 páginas basado en 4.169 informes federales de accidentes, un libro de trabajo interactivo de planificación patrimonial con una simulación de Monte Carlo de 1.000 trayectorias, y una pieza orquestal de 6 minutos y 34 segundos entregada como archivo WAV.

• Vídeo: más de 150.000 entornos de creación y unos 5.300 minutos de vídeo terminado, con un cortometraje animado en 2D de 116 segundos como principal atractivo, escrito en más de 10.000 líneas de Python, que hace pasar a un único pelícano parametrizado por 20 estilos artísticos.

La cifra de entrenamiento que hay detrás de la sección sobre trabajo del conocimiento es el número más alto del artículo: 300.000 espacios de trabajo que contienen 10 millones de archivos de referencia en más de 40 tipos de archivo. Eso es una afirmación sobre aquello para lo que se entrenó al modelo a resistir, y es la parte del argumento que una tabla de benchmarks no puede plantear en absoluto.

Las veinte filas, leídas por lo que dicen sobre las carreras largas

El apéndice es una única imagen, lo que significa que las cifras no se pueden copiar, ordenar ni cotejar con una hoja de cálculo. Según lo que se lee en esa imagen, la columna de ERNIE es la siguiente, todo ello reportado por el proveedor y sin reproducir:

• Codificación agéntica — Terminal-Bench 4.0 en 46,5; DeepSWE v1.1 en 71,2; ProgramBench (casi resuelto) en 29,5; NL2Repo-Bench en 64,8; Terminal-Bench-Science 0.1 en 21,0.

• Uso de computadora y automatización — CookieBench en 88,2, AutomationBench en 61,9, APEX-Agents 1.1 en 64,2, DRACO en 84,9.

• Trabajo de conocimiento — SpreadsheetBench V2 en 36,4; OfficeQA Pro V2 en 67,9; Agents' Last Exam (CLI) en 29,0; SkillsBench 1.1 solo texto en 73,5.

• Agentes generales y uso de herramientas — Toolathlon-Verified en 79,0, MCP-Atlas en 84,6, BrowseComp en 87,4.

• Razonamiento — HLE sin herramientas a 46,4, AA-Omniscience-Public a 25,2, AA-LCR v1.1 a 79,0.

• 3D — BlenderWorld solo texto a 79.0.

La tabla es mucho más útil leída como un mapa de lo que todavía falla que como un marcador. Cuatro filas quedan por debajo de 40: ProgramBench con 29,5, Agents' Last Exam en la línea de comandos con 29,0, AA-Omniscience-Public con 25,2 y Terminal-Bench-Science con 21,0. No son benchmarks blandos. Agents' Last Exam está diseñado para estar cerca de la frontera de lo que un agente puede completar de forma autónoma; omniscience castiga las respuestas incorrectas dadas con seguridad; Terminal-Bench-Science evalúa tareas de nivel de laboratorio en las que un procedimiento que parece plausible no vale nada. Un modelo que quiere tu tarea más difícil y obtiene 21,0 en la variante de ciencias del benchmark agéntico más difícil te está diciendo dónde está actualmente el techo. SpreadsheetBench V2 con 36,4 dice algo similar sobre el trabajo con hojas de cálculo en concreto, lo cual queda incómodo junto al libro de trabajo Monte Carlo de 1.000 rutas de la publicación de lanzamiento.

Las filas por encima de 80 son igual de informativas por una razón distinta. BrowseComp con 87,4, MCP-Atlas con 84,6, CookieBench con 88,2 y DRACO con 84,9 son todas tareas en las que el modelo se puntúa por un estado final completado y comprobable en lugar de por una respuesta. Ese patrón —fuerte en finalización verificable, débil en juicio científico abierto— es exactamente lo que cabría esperar de un modelo entrenado con 300.000 espacios de trabajo llenos de archivos que o bien compilan o no.

Las notas al pie son las que aportan la honestidad. Cada benchmark se ejecutó en un arnés con nombre propio, en el que aparecen Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 y algo abreviado como DSH, y los modelos jueces son Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 y Gemini 3.1 Flash-Lite. Una nota al pie admite que GLM-5.3 y este modelo carecen de capacidad multimodal nativa y que la comprensión de imágenes se proporcionó mediante una herramienta impulsada por Claude Opus 5.5. Por lo tanto, al menos algunas de las filas dependientes de la visión miden un arnés en el que ERNIE 5.5 Flash Preview recurre al modelo de un competidor para observar cosas. Esa es una decisión de ingeniería legítima y algo extraño de encontrar en una tabla de puntuaciones.

Las dos filas con el prefijo AA necesitan su propia advertencia. AA-Omniscience-Public y AA-LCR v1.1 son benchmarks publicados por Artificial Analysis, el tracker independiente, pero se trata de ejecuciones de Baidu de dichos benchmarks. A fecha de 11 de noviembre no hay ninguna fila de ERNIE 5.5 en la tabla de clasificación de Artificial Analysis, por lo que no hay ninguna cifra independiente con la que contrastar ninguna de las dos celdas.

Cuánto costaría una carrera de once horas y lo que Baidu no dijo

La documentación del endpoint es la parte de esta versión que convierte una demo en una decisión de ingeniería. Qianfan enumera ERNIE 5.5 Flash Preview a $0,28 por millón de tokens de entrada y $1,13 por millón de salida, con lecturas en caché a $0,028, una ventana de contexto de 1.024.000 tokens, un límite de salida de 921.600 tokens y un razonamiento que siempre está activado con un único nivel de esfuerzo alto y sin posibilidad de desactivarlo.

Ese límite de salida es la razón mecánica por la que una sola ejecución larga es siquiera concebible: el modelo puede emitir casi tantos tokens como contiene toda su ventana de contexto. También es la razón por la que la factura no es obvia. El prompting se factura a una cuarta parte de la tarifa de salida, pero todo lo que el modelo piensa se factura a la tarifa de salida, y un modelo que no puede dejar de pensar es un modelo cuyo coste por tarea está dominado por tokens que nadie lee.

Haz los cálculos para una única llamada máxima, que es el caso más favorable disponible. Llenar la ventana de 1.024.000 tokens cuesta unos 0,29 USD a la tarifa de entrada. Emitir el techo completo de salida de 921.600 tokens cuesta unos 1,04 USD. Eso supone aproximadamente 1,33 USD por una llamada que agota ambos límites. Es muy probable que la compilación de Unreal de once horas no hiciera eso, y la publicación de lanzamiento no dice cuántos tokens consumió, cuántas llamadas separadas hizo ni cuánto costó. Hasta que alguien mida los tokens de salida por tarea completada en su propia carga de trabajo, cualquier afirmación sobre si este modelo es barato o caro en trabajo difícil es una comparación de tarifas, no de resultados.

Dos cosas que el lanzamiento aún te debe

La publicación concluye llamando a ERNIE 5.5 Flash Preview «un checkpoint intermedio del postentrenamiento», y admite que el entrenamiento no ha terminado y que algunas capacidades podrían quedarse cortas. También promete que los pesos se abrirán como código abierto bajo Apache 2.0 pronto, sin fecha, y a 11 de noviembre no hay ningún repositorio de vista previa en Hugging Face: los únicos artefactos de ERNIE 5.5 publicados allí son el checkpoint base y su variante BF16. No hay model card, ni fecha de corte de conocimiento, ni cifra de latencia en ninguna parte del lanzamiento.

El resumen honesto de «déjale tu tarea más difícil» es más limitado que el eslogan. ERNIE 5.5 Flash Preview es un modelo solo de texto con un contexto muy grande, una capacidad de salida inusualmente grande, un historial sólido en tareas que terminan en un artefacto de construcción, un historial débil en tareas que terminan en un juicio científico y cero verificación independiente. Ese es un perfil real y específico. También es uno que probablemente un segundo checkpoint sobrescribirá.

Cómo probar ese perfil sin apostar por un camino en él

Baidu sirve este modelo a través de su propia API Qianfan y mediante plataformas de terceros que lo revenden. OrcaRouter no enruta ERNIE 5.5 Flash Preview —no hay ninguna entrada de ERNIE en un catálogo de 228 modelos de 17 proveedores ni hay ningún endpoint de Baidu detrás—, por lo que nada de lo aquí expuesto debe interpretarse como una oferta de servirlo.

En esta situación, el catálogo sirve para la otra mitad del experimento. Los modelos con los que se compara este son accesibles mediante una sola clave al precio de lista del proveedor y sin recargo, lo que significa que puedes ejecutar las mismas tareas difíciles con ellos y comparar tasas de finalización en lugar de puntuaciones publicadas. La conmutación por error automática se encarga de la segunda tarea: una versión preliminar sin historial de disponibilidad nunca tiene que ser lo único que sostenga una ruta de solicitud, porque un respaldo enrutado puede atender la llamada cuando se atasca a la tercera hora.

La evaluación que merece la pena ejecutar esta semana es pequeña. Toma diez de tus propias tareas de agente de horizonte largo —esas en las que normalmente no confiarías a una sola ejecución desatendida— y pasa cada una por ERNIE 5.5 Flash Preview y por dos modelos en los que ya confías. Registra si terminó, cuántos tokens de salida consumió y cuánto costó. Eso produce los dos números que Baidu omitió: tokens por tarea y coste por tarea completada. Todo lo demás en la publicación de lanzamiento, incluido el 46.5 e incluidas las once horas, es el harness de otra persona en la máquina de otra persona.

Lo que resolvería la cuestión no es otro vídeo de demostración. Es una fecha para el lanzamiento de Apache 2.0, una tarjeta de modelo con un corte de conocimiento, una fila de Artificial Analysis producida por Artificial Analysis y un segundo checkpoint cuyas cifras puedan contrastarse con las de este. Baidu ha publicado la historia que debería haber publicado junto al endpoint. Lo siguiente que les debe a las personas a las que acaba de invitar a entregarle sus tareas más difíciles es el artefacto que les permita dejar de aceptar su palabra sobre cómo resultaron las más difíciles.