ERNIE-5.5-Flash vs Claude Haiku 5.5: un checkpoint base se topa con un piso de precios

Baidu publicó ERNIE-5.5-Flash-Base en Hugging Face esta mañana, y la primera línea de la ficha del modelo es la que importa: los pesos son el checkpoint de fin de preentrenamiento, sin entrenamiento intermedio ni postentrenamiento aplicados. El ERNIE 5.5 Flash postentrenado, según la publicación de lanzamiento de Baidu, «llegará después». Esa única frase hace que hoy sea imposible una comparación directa con Claude Haiku 5.5, porque Claude Haiku 5.5 es un modelo terminado y ajustado a instrucciones que Anthropic vende a 0,10 $ por millón de tokens de entrada y 0,50 $ por millón de tokens de salida. Un lado de esta comparación es un artefacto de investigación. El otro lado es un producto con una lista de precios. Lo que sigue es qué es realmente cada uno, contra qué pueden y no pueden compararse las cifras que Baidu publicó, y qué tendría que cambiar para que la comparación que la gente está buscando sea real. ERNIE-5.5-Flash no está incluido hoy. explora el catálogo completo de modelos Enumera todos los modelos que OrcaRouter puede enrutar, con precios de proveedores en tiempo real.

Lo que Baidu publicó realmente hoy

El lanzamiento consta de dos repositorios: baidu/ERNIE-5.5-Flash-Base en FP8 y baidu/ERNIE-5.5-Flash-Base-BF16, además de una entrada técnica en Product Updates en ernie.baidu.com. Es un modelo de lenguaje de mezcla dispersa de expertos (sparse mixture-of-experts) con 280B de parámetros totales y 14B activados por token, preentrenado desde cero con 33,5T de tokens usando el optimizador Muon y precisión mixta FP8. La barra lateral de Hugging Face redondea el total a 286B; la tarjeta indica que ambas cifras excluyen 0,36B de lo que Baidu denomina parámetros ECHO.

La arquitectura es específica, algo inusual para un lanzamiento discreto. Cuarenta y tres capas, una densa y 42 MoE. Treinta y siete capas usan la atención comprimida que Baidu llama HCA, almacenando en caché una entrada por cada 128 tokens; seis usan MLA con atención dispersa al estilo DeepSeek. Tamaño oculto 4,096, 64 cabezas, 512 expertos enrutados con enrutamiento top-10 más un experto compartido, y un vocabulario de 201,216. El contexto de entrenamiento es 128K; la configuración publicada habilita 1,048,576 tokens para ajuste fino e inferencia.

Se incluyen herramientas. La ficha incluye ejemplos de despliegue con SGLang y vLLM, y el repositorio Megatron-Bridge de NVIDIA ya cuenta con un ejemplo de ERNIE 5.5 para ajuste fino. Ese es el alcance práctico de una versión base dirigida a quienes pretenden entrenar con ella, no a quienes pretenden invocarla.

Lo que no se lanzó: un modelo instruct, una plantilla de chat que merezca tal nombre, un listado de API, un precio ni un solo benchmark independiente. No hay ninguna entrada de ERNIE en el catálogo de 216 modelos de OrcaRouter en el momento de la publicación, ni página de Artificial Analysis. Las únicas puntuaciones que existen son las propias de Baidu, ejecutadas sobre 30 benchmarks bajo un harness unificado frente a otros tres modelos base: DeepSeek-V4-Flash-Base con 284B-A13B, Hy3-preview-Base con 295B-A21B y MiMo-V2.5-Base con 310B-A15B.

Lo que vende Claude Haiku 5.5

Claude Haiku 5.5 llegó a principios de octubre de 2026 como el nivel pequeño y rápido de Anthropic, y su forma comercial es la opuesta al lanzamiento de Baidu: todo se publica, se le pone precio y se sirve. El titular fue una reducción de precio de aproximadamente el 90 por ciento frente a Haiku 4.5 en el nivel de contexto corto: 0,10 USD de entrada y 0,50 USD de salida por millón de tokens para prompts de hasta 100K tokens, y sube a 0,50 y 2,50 USD por encima de eso. Las lecturas de entrada en caché cuestan 0,01 USD, y el procesamiento por lotes, la mitad de la tarifa estándar. El planteamiento de Anthropic es que un nuevo tokenizador cuenta aproximadamente un 30 por ciento más de tokens para el mismo texto, por lo que el ahorro efectivo por tarea es menor de lo que sugiere el precio anunciado: alrededor del 75 por ciento según la propia estimación de Anthropic.

La hoja de especificaciones es una hoja de producto. Contexto de un millón de tokens, salida máxima de 128K, entrada de texto e imágenes con salida de texto, una fecha de corte de conocimiento de junio de 2026 y cinco niveles de esfuerzo, de bajo a máximo. Anthropic lo posiciona como su modelo más rápido a velocidad estándar; Artificial Analysis lo mide en 258 tokens de salida por segundo en su ejecución actual. Está disponible a través de la propia API de Anthropic, Amazon Bedrock, Google Vertex AI y Microsoft Foundry.

Esos son los dos objetos. Un checkpoint base de 280B parámetros con una licencia personalizada, y un modelo alojado con contexto de 1M a diez centavos por millón de tokens de entrada. Ponerlos en la misma frase solo es defendible si eres explícito sobre qué pregunta estás respondiendo.

Por qué 93,3 MMLU no es un número de Haiku

La ficha de Baidu reporta MMLU 93.3, MMLU-Pro 78.4, GPQA 60.2, BBH 77.1 en modo directo y 89.2 con cadena de razonamiento, HumanEval+ 82.3, MBPP+ 81.5, LiveCodeBench 40.1, HELMET-RAG 71.5, RepoQA 91.7 y LongBench-v2 48.7. Son cifras sólidas para un modelo base. Además, estructuralmente, no son comparables con nada de lo que Anthropic publica para Haiku 5.5.

Tres razones, y las tres importan. Primero, los modelos base se evalúan con un prompting distinto —completación con pocos ejemplos en lugar de seguimiento de instrucciones—, así que una puntuación de un modelo base mide el prior preentrenado, no al asistente que un desarrollador llama. Segundo, los arneses de evaluación difieren: Baidu ejecutó su propio pipeline con sus propios prompts y cantidades de ejemplos, lo cual es la forma correcta de comparar su modelo con otros modelos base y la forma incorrecta de compararlo con los benchmarks de modelos instruct de un proveedor. Tercero, MMLU en 93 está muy dentro de la saturación; las diferencias entre los modelos líderes en ese benchmark ahora son menores que los efectos de formato entre arneses.

Así que la lectura honesta de «ERNIE-5.5-Flash vs Claude Haiku 5.5 en benchmarks» es: todavía no existe tal comparación, y cualquiera que publique una esta semana o está comparando un checkpoint base con un modelo instruct sin decirlo, o se está inventando los números del instruct.

Un detalle de la propia tabla de Baidu merece conservarse, porque contradice la narrativa del lanzamiento. La publicación admite que los competidores ganan varias filas —ChineseSimpleQA, INCLUDE-lite, HELMET-Rerank, InfiniteBench y FullStackBench van a parar a uno de los otros modelos base. Un proveedor que publica sus derrotas en la misma tabla que sus victorias te da una señal útil sobre cuánto peso merece el resto de la tabla.

El precio que aún no existe

"Flash" en la nomenclatura de Baidu es una etiqueta de nivel, no una especificación. La línea ERNIE tiene una escala de precios establecida —ERNIE 5.1 se sitúa alrededor de $0.59 de entrada y $2.65 de salida por millón de tokens en el listado internacional de Qianfan, con ERNIE 4.5 Turbo muy por debajo—, pero ERNIE 5.5 Flash no tiene tarifa publicada, ni endpoint de Qianfan, ni listado de terceros. Al buscar sus precios, solo aparece la versión base y nada más.

Esa diferencia es toda la cuestión comercial. El precio de $0,10/$0,50 de Haiku 5.5 redefinió cuánto se permite que cueste un modelo pequeño, y es la cifra con la que ahora se mide todo lanzamiento de la categoría Flash. Si Baidu fija el precio de ERNIE 5.5 Flash por encima de esa cifra, el modelo tendrá que justificarlo por su calidad en chino o por la residencia de datos. Si lo fija por debajo, se convierte en una opción seria para cargas de trabajo de China continental. Hasta que aparezca una tarifa, no se puede comprobar ninguna de las dos ramas.

Artificial Analysis, cuyo índice se reconstruyó el 27 de octubre de 2026, sitúa a Claude Haiku 5.5 en 36 con esfuerzo máximo, una cifra que pertenece al índice actual y no puede compararse con los números previos al rebase que aún circulan para otros modelos. La cuestión no es el valor exacto. Es que Haiku tiene un lugar en esa escala y ERNIE-5.5-Flash no, porque no hay un modelo instruct que probar.

Aquí es también donde el enrutamiento cambia la decisión. OrcaRouter traslada los precios de lista de los proveedores sin aplicar ningún margen, de modo que cuando un proveedor recorta una tarifa, el nuevo precio está activo en la plataforma el mismo día, en lugar de después de que se vuelva a calcular el margen de un revendedor. ERNIE-5.5-Flash no está hoy en ese catálogo —216 ID de modelos, ninguno de ellos ERNIE—, así que el consejo práctico para quien esté planificando un modelo de costes es construirlo sobre los modelos que realmente tienen precio y volver a revisarlo cuando Baidu publique un tarifario.

¿Quién debería clonar el repo esta semana?

No, los desarrolladores de aplicaciones. El checkpoint base no tiene ningún comportamiento de seguimiento de instrucciones digno de mención, y hacer que se comporte como un asistente implica un pipeline de postentrenamiento que tendrías que diseñar tú mismo. Tres grupos sí tienen motivos para descargar los pesos ahora.

• Equipos de adaptación de dominio que trabajan en chino — 33,5 T de tokens de preentrenamiento y un vocabulario de 200 K, el preentrenamiento continuado sobre una base es un punto de partida legítimo, y el ejemplo de Megatron-Bridge reduce el coste de probarlo.

• Investigadores de RL y post-entrenamiento que buscan un modelo con 14B de parámetros activos y detalles de arquitectura publicados: el enrutamiento top-10 con 512 expertos y la división 37/6 entre HCA y MLA están documentados con suficiente detalle como para reproducirlos.

• Equipos de evaluación que quieren una línea base limpia antes de que llegue el modelo instruct: ejecutar tú mismo el modelo base ahora te da un punto de referencia que el marketing del proveedor no podrá alterar más adelante.

Todos los demás deberían esperar. Un modelo al que no puedes invocar, ponerle precio ni comparar su rendimiento con el de un modelo instruct no es una opción de adquisición, y el recuento total de 280B parámetros significa que autoalojarlo es una propuesta que requiere varias GPU incluso en FP8.

¿Qué cambiaría el veredicto?

Cuatro eventos, en el orden en que probablemente sean relevantes.

• El ERNIE 5.5 Flash post-entrenado ya está disponible. Baidu dice que llegará después. Hasta que lo haga, toda comparación de capacidades es especulativa, y la brecha entre un checkpoint base y un modelo Flash terminado es exactamente donde reside la mayor parte de la calidad visible para el usuario.

• Aparece un precio en Qianfan. Ese es el momento en que la comparación con Haiku se convierte en una decisión real y no en un error de categoría.

• Llega una evaluación independiente. Una cobertura de Artificial Analysis o LMArena convertiría el harness de Baidu en algo verificable de forma cruzada. Ten en cuenta que el propio índice de AA se rebasó el 27 de octubre de 2026, por lo que las cifras anteriores al rebase que circulan para Haiku 5.5 y otros no deberían compararse con las posteriores al rebase.

• Un host de terceros lo adopta. Eso suele ser la señal de que los costes de servicio se comprenden, y es el punto en el que un modelo pasa a ser enrutable en lugar de meramente descargable.

La comparación del título merecerá la pena escribirse cuando dos de esos cuatro hayan ocurrido. Lo que existe hoy es un modelo base bien documentado, una licencia que no es Apache y el nombre de un nivel de producto sin producto detrás. Claude Haiku 5.5, por su parte, es un modelo terminado con un precio al que otros proveedores ahora tienen que responder. Ante la única pregunta que se hace un comprador —cuánto cuesta un token y qué hace—, un lado tiene una respuesta y el otro tiene una promesa.

Lo interesante no es que Baidu lo haya publicado en silencio. Es que la empresa eligió publicar primero los pesos base, antes del modelo que cualquiera puede usar, y no cobró nada. Eso es el ritmo de publicación de un laboratorio de investigación, no el lanzamiento de un producto, y debería interpretarse como tal.