ERNIE 5.5 Flash Preview ya tiene por fin una publicación de lanzamiento, veinte benchmarks y una promesa de pesos.

46,5 en Terminal-Bench 4.0 es la primera puntuación que Baidu ha publicado para ERNIE 5.5 Flash Preview, y se dio a conocer el 11 de noviembre de 2026 — un día después de que el propio modelo entrara en funcionamiento en Qianfan como endpoint facturable con una lista de precios y ninguna documentación. La publicación de lanzamiento que contiene esa cifra es la primera declaración oficial sobre el modelo, y responde a las tres preguntas que el endpoint no podía responder: qué es (280 mil millones de parámetros totales con 14 mil millones activos, un contexto de 1M de tokens, entrenado posteriormente sobre el checkpoint ERNIE 5.5 Flash Base del 5 de noviembre), cómo dice Baidu que se compara (veinte filas de benchmark junto a GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 y un modelo indicado solo como Hy4), y si algún día podrás ejecutarlo tú mismo (los pesos "se publicarán como código abierto bajo Apache 2.0 pronto"). Cada cifra de esa tabla está reportada por el proveedor, generada con los propios arneses de Baidu y modelos jueces seleccionados por Baidu, y nada de ello se ha reproducido fuera de la empresa. El grupo de benchmark es la parte de esta comparación que realmente puedes controlar. precio de lista del proveedor con 0 % de margen GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 y DeepSeek V4.1 Flash se agrupan en una sola clave al precio de lista del proveedor, y la tarifa de OrcaRouter aparece como $0.00.

Qué puso Baidu en la página

La publicación está estructurada como un reel de demostración con un apéndice de benchmarks, lo que te dice cuál cree Baidu que es el argumento. Cuatro secciones de capacidades —desarrollo de videojuegos, modelado y diseño 3D, trabajo del conocimiento y creación de vídeo—, cada una construida a partir de artefactos que el modelo produjo de principio a fin dentro de un entorno de agentes, con recursos y herramientas externos acreditados pieza por pieza. La especificación aparece en el párrafo inicial y nunca vuelve a mencionarse: 280B en total, 14B activos, contexto de 1M de tokens, API en Qianfan, pesos prometidos bajo Apache 2.0. No hay tarjeta de modelo, ni fecha de corte de conocimiento, ni cifra de latencia, ni precios, ni declaración sobre cuántos tokens de razonamiento emite el modelo por tarea.

Dos frases del artículo importan más que todo lo demás junto. La primera está en la sección de desarrollo de videojuegos, donde se describe el proyecto de Unreal Engine 5.8: «Como es un modelo solo de texto y no puede ver la pantalla, convirtió problemas detectados en las pruebas de juego, como un personaje que flotaba sobre el suelo, una dirección de carrera inconsistente y una cámara mal colocada, en pruebas medibles en código». Esa es una descripción inusualmente franca de una solución alternativa —el modelo escribió pruebas porque no podía mirar el juego— y es la afirmación más clara hasta la fecha de que se trata de un sistema de entrada y salida de texto cuya competencia visual se delega a las herramientas.

El segundo es el párrafo final: ERNIE 5.5 Flash Preview «es un checkpoint intermedio del postentrenamiento. Ya es competitivo con modelos de su tamaño, pero, como el entrenamiento no ha terminado, algunas capacidades aún pueden quedarse cortas». Una publicación de lanzamiento que te dice que el lanzamiento no ha terminado vale más que una que no lo hace, y replantea todo lo anterior. No estás leyendo un anuncio de producto. Estás leyendo un informe de progreso con un marcador adjunto, publicado para que los usuarios envíen comentarios antes del lanzamiento oficial.

Las veinte filas de benchmark, leídas con atención.

La tabla del apéndice es una única imagen, lo que en sí mismo ya es un pequeño indicio: los números no se pueden copiar, ordenar ni contrastar con una hoja de cálculo. Leída de la imagen, la columna de ERNIE es como sigue, con todos los datos reportados por Baidu 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 en 46,4 con un marcador de nota al pie, AA-Omniscience-Public en 25,2, AA-LCR v1.1 en 79,0.

• 3D — BlenderWorld solo texto en 79.0, la única fila que se refiere directamente a las afirmaciones sobre CAD y Blender del cuerpo.

Las notas al pie son donde reside la honestidad, y vale la pena leerlas antes que cualquiera de las celdas. Cada benchmark se ejecutó en un harness con nombre —aparecen Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 y algo abreviado como DSH—, y los modelos juez 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 nuestro modelo carecen de capacidades multimodales nativas; la comprensión de imágenes se proporciona mediante una herramienta impulsada por Claude Opus 5.5». En otras palabras, al menos algunos de los benchmarks dependientes de visión fueron completados por ERNIE 5.5 Flash Preview impulsando una herramienta que llama al modelo de un competidor. Esa es una elección de ingeniería legítima y algo genuinamente extraño de descubrir en una tabla de puntuaciones, y significa que las filas que implican mirar cualquier cosa miden todo el harness, no solo el modelo.

Las dos filas que llevan el prefijo AA merecen su propia advertencia. AA-Omniscience-Public y AA-LCR v1.1 son benchmarks publicados por Artificial Analysis, el rastreador independiente, pero estas son ejecuciones de Baidu de dichos benchmarks, no las ejecuciones de Artificial Analysis. A fecha de 11 de noviembre, no hay ninguna fila de ERNIE 5.5 en la clasificación de Artificial Analysis, por lo que no hay ninguna cifra independiente que contraponer a ninguna de las dos celdas.

El demo reel es el argumento real

Si la tabla de benchmarks es la parte que se va a citar, los cuatro estudios de caso son la parte difícil de falsificar, porque describen productos de trabajo en lugar de puntuaciones. Los detalles son lo suficientemente específicos como para poder verificarse en principio y lo suficientemente concretos como para ser útiles cuando estés decidiendo a qué orientar este modelo.

• Desarrollo de videojuegos — un juego de Unreal Engine 5.8 en tercera persona creado en una única tarea de programación de 11 horas, fusionando recursos de varias generaciones del motor en un solo proyecto y escribiendo el juego en C++; por separado, casi 100 minijuegos móviles generados a partir de documentos de diseño en Cocos, Unity, LayaAir, PixiJS y Canvas 2D, la mayoría de ellos estructurando las reglas como una simulación determinista para que las partidas de bots y la búsqueda en el espacio de estados puedan verificar que cada nivel se puede completar.

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

• Trabajo de conocimiento: un informe de investigación de 20 páginas sobre los costes eléctricos de los centros de datos, un análisis de conducción autónoma de 24 páginas elaborado a partir de 4.169 informes federales de accidentes, un libro de trabajo interactivo de planificación patrimonial con una simulación Monte Carlo de 1.000 trayectorias, y una pieza orquestal de 6 minutos y 34 segundos entregada en formato WAV. La historia de entrenamiento que hay detrás es la cifra más grande de la publicación: 300.000 espacios de trabajo que albergan 10 millones de archivos de referencia de más de 40 tipos de archivo.

• 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.

Lo que estos tienen en común es que ninguno de ellos es una interacción de chat. Cada uno es una larga ejecución agéntica con llamadas a herramientas, y lo que se afirma tiene que ver con la resistencia: si el modelo puede mantener un plan coherente a lo largo de horas de ediciones. Esa es precisamente la propiedad que peor mide una tabla de benchmark de veinte filas, y la razón por la que la entrada abre con artefactos.

Donde la publicación de lanzamiento y el endpoint no coinciden

El modelo descrito en la publicación y el modelo descrito en la hoja de especificaciones de Qianfan son reconociblemente el mismo sistema visto desde dos departamentos que no contrastaron sus notas. El endpoint entró en funcionamiento el 10 de noviembre a $0.28 por millón de tokens de entrada y $1.13 por millón de salida, con lecturas en caché a $0.028, un contexto de 1,024,000 tokens, un límite de salida de 921,600 tokens, razonamiento obligatorio en un único nivel de esfuerzo alto y sin ficha del modelo. La publicación de lanzamiento, publicada un día después, reitera la ventana de contexto, ignora por completo el precio, no dice nada sobre el razonamiento obligatorio y ofrece el posicionamiento equivalente al de una ficha del modelo sin proporcionar la ficha del modelo.

La consecuencia práctica es que las dos mitades de la historia deben leerse juntas o no leerse en absoluto. La entrada te dice que el modelo puede mantener una tarea de programación de once horas; el endpoint te dice que todo lo que piensa se factura a la tarifa de salida y que no puedes desactivar el pensamiento. Una ejecución que pasa horas iterando es una ejecución que emite una enorme cantidad de tokens de salida y, a 1,13 dólares por millón, el coste de la demostración es una cuestión que la entrada nunca plantea. Hasta que alguien mida los tokens de salida por tarea completada en su propia carga de trabajo, cualquier comparación entre este modelo y uno más barato es una comparación de tarifas.

Lo que todavía falta, y no es poca cosa.

Tres ausencias definen el estado actual de ERNIE 5.5 Flash Preview, y cada una se resuelve en una escala temporal distinta.

• Los pesos. La publicación promete Apache 2.0 "pronto", pero no indica ninguna 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 ERNIE-5.5-Flash-Base y su variante BF16, ambos creados el 21 de octubre. El checkpoint base se distribuyó bajo la licencia ERNIE 5.5 Flash Base, una licencia comunitaria restringida que excluye a la Unión Europea, el Reino Unido y Corea del Sur, limita el uso comercial gratuito en función de los ingresos anuales relacionados y exige una atribución "Powered by ERNIE". Si los pesos de la vista previa efectivamente llegan bajo Apache 2.0, eso supone un cambio en los términos de licencia para la familia y un asunto mucho más importante que cualquier fila de benchmark.

• La puntuación independiente. Nada de esta versión ha sido ejecutado por nadie más que Baidu. Los benchmarks con AA en el nombre son los que hay que seguir, porque Artificial Analysis ejecuta sus propios harnesses y publicará una fila comparable si y cuando añada el modelo; hasta entonces, las veinte celdas son una afirmación, no una medición.

• El modelo terminado. Baidu dice que el postentrenamiento está en curso y que la versión oficial mejorará la vista previa. Es una declaración explícita de que las cifras de hoy tienen fecha de caducidad, y hace que cualquier decisión de construir sobre este checkpoint sea una decisión sobre un blanco móvil.

Cómo evaluarlo sin apostar una ruta de producción a ello

El acceso se realiza a través de la propia API Qianfan de Baidu, o mediante plataformas de terceros que la revenden. OrcaRouter no enruta ERNIE 5.5 Flash Preview — no hay ninguna entrada de ERNIE en nuestro catálogo de más de 200 modelos ni ningún endpoint de Baidu detrás, por lo que nada de lo aquí expuesto debe interpretarse como una oferta para servirlo.

Lo que hace útil al catálogo en esta situación es el otro lado de la tabla: los modelos con los que se está comparando a este son todos accesibles a través de una única clave compatible con OpenAI al precio de lista del proveedor y con un 0 % de margen, lo que permite ejecutar tú mismo las mismas veinte tareas con GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 y DeepSeek V4.1 Flash y comprobar si el orden de Baidu se mantiene al entrar en contacto con tus prompts. La conmutación automática por fallo se encarga del segundo cometido: una versión preliminar sin historial de disponibilidad nunca tiene que ser lo único que sostenga una ruta de solicitudes, porque un respaldo enrutado puede asumir la llamada cuando esta se bloquea.

La evaluación que vale la pena ejecutar esta semana es acotada y económica. Toma diez de tus propias tareas de agente de horizonte largo, ejecuta cada una a través de la vista previa y de dos modelos en los que ya confías, y registra tres cosas por tarea: si terminó, cuántos tokens de salida consumió y cuánto costó. Eso te da los dos números que Baidu no publicó —tokens por tarea y coste por tarea completada— frente a una línea base que elegiste tú mismo. Todo lo demás en la publicación de lanzamiento, incluido el 46.5, es el arnés de evaluación de otra persona.

Lo que resolvería la cuestión no es otra demo. Es una fecha para el lanzamiento bajo Apache 2.0, una model card con una fecha de corte de conocimiento y una tabla de evaluación, una fila de Artificial Analysis producida por Artificial Analysis, y un segundo checkpoint cuyos números puedan compararse con este. Baidu ya ha publicado la historia que debería haber publicado el 10 de noviembre. Lo siguiente que les debe a sus usuarios es el artefacto que les permita dejar de fiarse de su palabra sobre el marcador.