Ling-3.2-flash vs ERNIE 5.5 Flash: uno es un producto, el otro es un punto de partida.

Dos laboratorios chinos lanzaron modelos cercanos a la gama insignia con pocas horas de diferencia el 5 de noviembre de 2026, y casi cualquier comparación que se pueda escribir entre Ling-3.2-flash y ERNIE 5.5 Flash se desvanece en el momento en que uno se da cuenta de que no son el mismo tipo de objeto. Ling-3.2-flash es un modelo de chat multimodal, ajustado a instrucciones y terminado: recibe texto, imágenes y vídeo, y devuelve respuestas; está disponible en el endpoint compatible con OpenAI de Ant Ling y es gratis durante dos semanas. Lo que Baidu publicó es ERNIE-5.5-Flash-Base: el checkpoint al final del preentrenamiento, antes del entrenamiento intermedio, antes del ajuste a instrucciones, solo texto, y servido mediante un endpoint de completions porque todavía no se le ha enseñado a seguir instrucciones. La propia página de lanzamiento de Baidu dice que el ERNIE 5.5 Flash con postentrenamiento "llegará después".

Esa única asimetría decide la mayoría de las cuestiones prácticas que se plantean a continuación. A un modelo puedes llamarlo esta misma tarde. Al otro puedes descargarlo, ajustarlo y convertirlo en algo — lo que es una compra completamente distinta, con un contrato legal adjunto.

Los dos objetos, lado a lado

Lo que sigue es lo que cada proveedor documenta hoy. Cuando una cifra es propia del proveedor y no ha sido reproducida, así se indica.

• Parámetros totales y activos — Ling-3.2-flash 560B en total / 25B activos; ERNIE-5.5-Flash-Base 280B en total / 14B activos por token, más 0,36B de parámetros ECHO que ambas cifras excluyen.

• Entradas: Ling-3.2-flash acepta texto, imágenes y vídeo de forma nativa, con bloques image_url y video_url en la solicitud; ERNIE-5.5-Flash-Base es solo texto, y punto.

• Lo que recibes — Ling-3.2-flash es un modelo de chat postentrenado detrás de una API; ERNIE-5.5-Flash-Base son pesos brutos de preentrenamiento que se espera que postentrenes tú mismo.

Arquitectura — Ling-3.2-flash es un MoE de la línea híbrida lineal Ling que Ant ha venido ejecutando desde 3.1; ERNIE-5.5-Flash-Base tiene 43 capas (una FFN densa, 42 MoE latentes Multi-Router), 512 expertos enrutados con enrutamiento top-10 más un experto compartido, 37 capas de atención fuertemente comprimida y seis capas MLA con atención dispersa.

• Contexto — Ling-3.2-flash ofrece una ventana de 1M de tokens en la API; ERNIE-5.5-Flash-Base se entrenó con 128K, y su configuración publicada habilita 1.048.576 tokens para el ajuste fino y la inferencia, lo que no es la misma afirmación.

• Pesos — Ling-3.2-flash no tiene ninguno publicado; ERNIE-5.5-Flash-Base incluye safetensors FP8 y BF16 en Hugging Face y ModelScope.

• Precio — Ling-3.2-flash es gratis durante dos semanas tras su lanzamiento, sin tarifa publicada para el día quince; ERNIE-5.5-Flash-Base no tiene precio de alojamiento porque Baidu no lo está sirviendo, y el autoalojamiento cuesta lo que te cueste 280B de pesos.

Ninguna de esas filas es una afirmación sobre la calidad. Son una descripción de lo que estarías comprando.

Para qué es realmente bueno Ling-3.2-flash, según la evidencia

El material de lanzamiento de Ant son tres cifras de benchmark y cinco vídeos de demostración. Las cifras comparan Ling-3.2-flash con Opus 5 a máximo esfuerzo en OmniDocBench1.5 (92,21 frente a 90,56), ZEROBench(Sub) (43,71 frente a 39,52) y Vision2Web (85,86 frente a 80,20). Las tres son reportadas por el proveedor, las tres son visuales y ninguna ha sido reproducida por un tercero. Leídas en conjunto, afirman una cosa: en análisis de documentos, razonamiento sobre escenas 3D y tareas de visión a web, Ant cree que supera a un modelo cerrado de frontera. No afirman nada en absoluto sobre razonamiento textual, programación o trabajo agéntico en terminal, que es donde sigue yendo la mayor parte del tráfico de producción.

Las demos son más informativas que las cifras, porque muestran el bucle para el que Ant construyó el modelo. Ling-3.2-flash inspecciona renders sin interfaz gráfica de esferas de material, compara mapas de rugosidad y de normales, y reescribe su propio script; maneja Blender mediante acciones de interfaz de usuario; convierte planos de ingeniería en modelos web 3D; lee PDFs de investigación con ecuaciones e implementa los algoritmos en código. Cada una de esas tareas exige que el modelo observe un artefacto intermedio y se corrija. Eso es lo que te aporta el entrenamiento multimodal nativo frente a un modelo de texto con un adaptador de visión, y es la capacidad que deberías probar primero si este es tu caso de uso.

Dos salvedades operativas deben mencionarse al mismo tiempo. Ant documenta un límite global de dos consultas por segundo, con respuestas 429 por encima de ese límite, y un tiempo de espera de 90 segundos en las llamadas síncronas, para las que se recomienda el streaming. Y el modelo es gratuito solo hasta aproximadamente el 19 de noviembre; la página de precios indica que las tarifas originales se reanudan después, sin especificar cuáles son.

Para qué sirve realmente ERNIE-5.5-Flash-Base

La propuesta de Baidu es el desplazamiento de costos, y es coherente. La empresa gastó su cómputo de preentrenamiento en 33,5 billones de tokens con el optimizador Muon; tú gastas el tuyo en adaptación al dominio, ajuste por instrucciones o aprendizaje por refuerzo, partiendo de un checkpoint que ya incorpora comportamiento de código a escala de repositorio y de contexto largo. El lanzamiento es inusualmente limpio como línea base de investigación: un único checkpoint al final del preentrenamiento, sin entrenamiento intermedio ni posterior, de modo que se pueden comparar dos métodos de ajuste fino sin discutir sobre lo que la base ya sabía.

La evaluación de Baidu lo compara con tres modelos base abiertos de tamaño similar —DeepSeek-V4-Flash-Base (284B-A13B), Hy3-preview-Base (295B-A21B) y MiMo-V2.5-Base (310B-A15B)— bajo un mismo harness, un mismo conjunto de prompts y un mismo juez, en 30 benchmarks de siete categorías. Es una comparación mejor controlada que la mayoría de las tablas de lanzamiento, y aun así está ejecutada por el proveedor. La afirmación arquitectónica principal que vale la pena conocer: 37 de las 43 capas atienden sobre una secuencia comprimida 128×, y Baidu dice que las seis capas MLA bastan para mantener el rendimiento en contexto largo. Si eso se sostiene en pruebas independientes, es lo más interesante del lanzamiento: una compresión de 128× que no sacrifica la recuperación en contexto largo.

La trampa está en la licencia, y no es menor. El Acuerdo de Licencia del Modelo Base ERNIE 5.5 Flash v1.0 define un Territorio como «todas las áreas geográficas del mundo excepto la Unión Europea, el Reino Unido y Corea del Sur», y exige que los materiales no se utilicen, distribuyan ni muestren fuera de él. El uso comercial es gratuito por debajo de US$50 millones de ingresos anuales procedentes de productos relacionados, siempre que se envíe un aviso único y se muestre «Powered by ERNIE» de forma destacada en una interfaz de usuario, sitio web, página «Acerca de» o documentación del producto. Por encima de US$50 millones, se necesita la autorización previa por escrito y por separado de Baidu antes de superar ese límite, y el uso debe suspenderse si se supera sin dicha autorización.

La forma honesta de enmarcar el checkpoint "gratuito" de 280B es: gratis para descargar en cualquier lugar fuera de tres jurisdicciones, gratis para uso comercial hasta un umbral de ingresos, y conlleva una obligación de marca que la mayoría de los equipos de producto notarán en su sitio de marketing antes de notarla en la licencia.

Cuál elegir, según lo que estés haciendo

Elige Ling-3.2-flash si el trabajo es visual y necesitas una respuesta este mes. Extracción de documentos donde importa el diseño, agentes de UI guiados por capturas de pantalla, conversión de dibujos a 3D, triaje de imágenes médicas, cualquier cosa en la que el modelo tenga que comprobar su propia salida renderizada. La API tiene el formato de OpenAI, así que la integración es un cambio de URL base, y la ventana gratuita de dos semanas significa que la evaluación no cuesta nada más que tu tiempo. Todavía no lo pongas en una ruta de producción: no hay precio publicado, ni puntuación independiente, ni pesos, ni proveedor de respaldo.

Elige ERNIE-5.5-Flash-Base si tienes capacidad de postentrenamiento y un dominio. Un modelo base 280B-A14B con una arquitectura documentada, recetas funcionales de SGLang y vLLM, una compilación FP8 y otra BF16, y un ejemplo de ajuste fino con Megatron-Bridge es un activo genuino para un equipo que quiere su propio modelo. Verifica la cláusula de Territorio con tu entidad legal antes de empezar, no después. Y no lo evalúes como modelo de chat: continúa texto, no responde solicitudes, así que cualquier comparación de seguimiento de instrucciones con Ling-3.2-flash está midiendo lo que no corresponde.

Si lo que realmente querías era un ERNIE terminado al que poder llamar, espera. Baidu dice que el ERNIE 5.5 Flash post-entrenado está por llegar, y hasta que llegue no hay ningún ERNIE 5.5 alojado en la lista de precios de Qianfan — la lista internacional que leímos hoy incluye ERNIE 5.1, ERNIE 5.0 y ERNIE 4.5 Turbo, sin ninguna fila de 5.5.

Ninguno de los dos está en nuestro catálogo — esto es lo que hay

Para ser claros sobre el enrutamiento: volvimos a leer el catálogo de OrcaRouter el 6 de noviembre y devuelve 215 identificadores de modelos. No hay ninguna entrada de Ling, inclusionAI, Ring ni ERNIE en él; las únicas coincidencias de "ling" son modelos de vídeo Kling. Así que esta comparación no es una elección entre dos cosas a las que ya llega una única clave.

A lo que una clave sí llega, al precio de lista del proveedor y sin margen, es a los modelos que cubren los mismos dos trabajos. Para trabajo de visión con una tarifa publicada, Qwen3.8-Flash cuesta $0.15 por millón de entrada y $0.47 por millón de salida. Para agentes de texto económicos a escala, DeepSeek V4.1 Flash cuesta $0.15 y $0.60, y GLM-5.3-Flash cuesta $0.15 y $0.50. Los tres aceptan una solicitud con formato de OpenAI, así que una integración de Ling-3.2-flash portada a ellos es un cambio de cadena de modelo, no una reescritura —lo cual importa cuando se cierre la ventana gratuita y aún no tengas una lista de tarifas.

Ese es también el argumento para poner un enrutador delante de un ajuste fino de ERNIE autoalojado en lugar de apuntar tu aplicación directamente a tu propio clúster: un único endpoint, una única clave y conmutación por error automática a un modelo alojado cuando tus GPU están saturadas o tu despliegue está en curso. El DSL de enrutamiento combina varios modelos en una sola llamada, lo que te permite ejecutar un modelo de visión y uno de texto como un solo paso en lugar de dos.

Lo que hay que observar

Ambos lanzamientos están a medio terminar en direcciones opuestas, y ambas brechas se cierran según el calendario de otro. Ant debe una lista de precios, una ficha de modelo y —si se mantiene el patrón de 2026— un checkpoint con licencia MIT. Baidu debe el ERNIE 5.5 Flash post-entrenado, y debe una declaración más clara de si la cláusula de Territorio se aplica a los resultados del modelo o solo a los pesos y sus derivados, lo que, tal como está redactado el texto, sugiere que es más amplia de lo que la mayoría de los equipos asumirá.

Hasta que uno de esos llegue, la comparación tiene una forma simple: Ling-3.2-flash es el que puedes evaluar hoy y no puedes presupuestar, y ERNIE-5.5-Flash-Base es el que puedes presupuestar y no puedes llamar.