Una tarjeta destacada generada que dice «Base contra base», con dos mosaicos de checkpoint: «Hy4 flash-Base», que enumera «220B en total / 12B activos / 1M de contexto / lanzado el 17 de nov. de 2026», y «ERNIE 5.5 Flash Base», que enumera «280B en total / 14B activos / 128K entrenados / lanzado el 5 de nov. de 2026», además de un pie que dice «Ambas tablas comparativas son reportadas por el proveedor. Ninguna tiene una puntuación independiente».
Guides & Insights

Hy4 flash-Base vs ERNIE 5.5 Flash Base: la única comparación justa que publicó cualquiera de los dos proveedores

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

Dos laboratorios chinos publicaron checkpoints preentrenados con doce días de diferencia y, por una vez, la tabla comparativa se escribe sola: Hy4 flash-Base frente a ERNIE 5.5 Flash Base, el mismo tipo de artefacto de la misma etapa del pipeline, evaluado de la misma manera. Tencent publicó Hy4 flash-Base el 17 de noviembre de 2026 junto con el modelo de instrucciones. Baidu publicó ERNIE 5.5 Flash Base el 5 de noviembre de 2026 y, en el momento de escribir esto, sigue siendo el único artefacto de ERNIE 5.5 que existe: el modelo de chat postentrenado aún no se ha lanzado.

Esa diferencia en lo que rodea al checkpoint es la mayor parte de lo que hace que este enfrentamiento merezca una página. Comparar las dos bases te dice cómo fue el preentrenamiento. Comparar los dos lanzamientos te dice algo menos halagador sobre ambas: una empresa lanzó la materia prima y el producto terminado el mismo día; la otra lanzó la materia prima y una promesa.

Por qué los checkpoints base son la comparación honesta

Casi todas las comparaciones de modelos que lees son sutilmente injustas, porque enfrentan el modelo terminado y ajustado por instrucciones de un proveedor contra el modelo terminado y ajustado por instrucciones de otro proveedor, y cada uno se evalúa en su propio harness con sus propias líneas base. Los checkpoints base eliminan una de esas variables. Ninguno de los dos modelos ha recibido post-entrenamiento, ninguno tiene una plantilla de chat que dé forma al formato de salida, y ambos proveedores publican tablas few-shot en benchmarks académicos estándar en lugar de suites agénticas personalizadas.

Lo que queda —el arnés, los recuentos de shots, los subconjuntos— sigue siendo específico de cada proveedor, así que nada de esto es un experimento controlado. Pero una tabla base contra base es una comparación de ejecuciones de preentrenamiento, y el preentrenamiento es la parte costosa. Es lo más parecido a una cifra verdaderamente comparable que estas dos empresas han publicado la una sobre la otra.

Los dos puntos de control, lado a lado

• Parámetros — Hy4 flash-Base 220.3B en total, 12B activos por token; ERNIE 5.5 Flash Base 280B en total, 14B activos por token.

• Dónde se ubican los parámetros: Hy4 flash-Base contiene 155.5B en la red troncal de 42 capas, 63.5B en las tablas de embeddings de n-gramas de Engram, 0.43B en un codificador de visión y 0.85B en un drafter DFly2; los 280B de ERNIE son una distribución MoE más convencional, además de un módulo ECHO de 0.36B excluido del recuento principal.

• Profundidad y enrutamiento: 42 capas (una densa, 41 MoE) con 512 expertos enrutados más uno compartido, 16 activos, tamaño oculto de 3.072, para Hy4 flash-Base; 43 capas (una densa, 42 Multi-Router Latent MoE) con 512 expertos enrutados más uno compartido, top-10, tamaño oculto de 4.096, para ERNIE.

• Contexto — 1.048.576 tokens configurados en ambos. Tencent entrenó Hy4 flash directamente a esa longitud; Baidu entrenó ERNIE a 128.000 y estableció la configuración de la versión publicada en 1.048.576 para el ajuste fino y la inferencia, lo cual es una capacidad de la configuración más que un comportamiento medido.

• Modalidad: texto e imagen de entrada, texto de salida, en ambos. Hy4 flash-Base incluye un codificador visual derivado de SigLIP2; la ficha de ERNIE 5.5 Flash Base describe solo entrada de texto en la tabla de enlaces del modelo.

• Licencia — Tencent Hy License v1.0, una derivada de Apache 2.0 con una cláusula MaaS a partir de 50 millones de dólares en ingresos o 100 millones de MAU; ERNIE 5.5 Flash Base Model License v1.0, que excluye por completo a la Unión Europea, el Reino Unido y Corea del Sur como territorios.

La disputa por la licencia no es una nota al pie. Un equipo europeo no puede usar el checkpoint ERNIE en absoluto con su subvención, y ninguna ventaja en benchmarks cambia eso. Un equipo de cualquier tamaño puede usar Hy4 flash-Base, y un equipo con más de 50 millones de dólares en ingresos de MaaS necesita enviar un correo electrónico antes de hacerlo.

Lo que dice la tabla de Baidu, y lo que cuesta creerlo

El conjunto de comparación de Baidu es el adecuado para un lanzamiento base: ERNIE 5.5 Flash Base frente a DeepSeek-V4-Flash-Base, Hy3-preview-Base y MiMo-V2.5-Base, en un único pipeline que la ficha describe como compartido por los cuatro. Todas las cifras siguientes son reportadas por Baidu y no han sido reproducidas.

• MMLU — 93,3 ERNIE, 89,4 DeepSeek-V4-Flash-Base, 87,5 Hy3-preview-Base, 87,6 MiMo-V2.5-Base.

• MMLU-Pro — 78,4 frente a 69,2, 66,9 y 65,7. La mayor diferencia del conjunto.

• GPQA — 60,2 frente a 55,9, 50,2 y 51,4.

• HumanEval+ — 82,3 frente a 69,5, 78,0 y 74,4.

• LiveCodeBench — 40,1 frente a 31,9, 33,5 y 32,4.

• LongBench-v2 — 48,7 frente a 44,5, 39,8 y 44,6.

• BBH con cadena de razonamiento — 89.2 frente a Hy3-preview-Base 90.0 y MiMo-V2.5-Base 89.8. Un triple empate dentro del ruido, independientemente de lo que implique el formato en negrita.

• ChineseSimpleQA — 73,0 frente a 75,3 de DeepSeek. Una derrota, en el benchmark más cercano al mercado local de Baidu.

A la tabla le faltan filas, por lo que se lee como una tabla que alguien construyó y no como una que alguien eligió. Fíjate en lo que está ausente: Hy4 flash-Base. El checkpoint de Tencent no existía el 5 de noviembre, así que nadie ha publicado nunca una fila directa entre los dos modelos de esta comparación.

Lo que dice la tabla de Tencent, incluido el descargo de responsabilidad

La tabla base de Tencent es de cinco vías —Hy4 flash-Base, Hy4 Base, Hy3 preview Base, DeepSeek-V4-flash-Base y DeepSeek-V4-Pro-Base— y también pierde filas. Reportado por el proveedor, no reproducido:

• MMLU-Pro — 71,1 para Hy4 flash-Base frente a 73,9 para Hy4 Base, 65,8 para Hy3 preview Base, 68,6 para DeepSeek-V4-flash-Base y 73,4 para DeepSeek-V4-Pro-Base.

• SimpleQA — 37,5 frente a 57,2, 26,4, 31,3 y 52,1. La mayor pérdida de la tarjeta.

• C-Eval — 92,0 frente a 95,0, 90,1, 91,9 y 93,4.

• CMMLU — 91,6 frente a 93,1, 89,6, 89,8 y 90,7.

• AGIEval en chino — 90,6 frente a 91,2, 87,8, 88,5 y 89,8.

• Belebele — 93.8 frente a 95.0, 94.2, 94.4 y 95.2.

• INCLUDE — 82.8 frente a 88.1, 84.3, 84.0 y 84.3.

• MMMU-Pro — 52,0 frente a 59,6 de Hy4 Base. Las filas multimodales solo existen para los dos modelos Hy.

Visto en su conjunto: Hy4 flash-Base es un modelo más pequeño y barato que sus hermanos, y pierde frente a ellos en la mayoría de las filas, que es exactamente lo que debería hacer un modelo de 12B activos frente a uno de 49B activos. Las filas interesantes son las multilingües, donde se mantiene a uno o dos puntos de modelos mucho más grandes, y SimpleQA, donde queda veinte puntos por detrás de Hy4 Base — una brecha de recuperación de hechos que dice algo sobre cuánto de esa capacidad reside en el número de parámetros y no en los datos de entrenamiento.

Tencent también ofrece voluntariamente una advertencia que la ficha de Baidu no incluye: como el modelo base estuvo expuesto a una gran cantidad de datos sintéticos de instrucciones durante el entrenamiento intermedio, "ocasionalmente no sigue el formato de respuesta esperado en evaluaciones de pocos ejemplos, lo que puede distorsionar las puntuaciones". Que un proveedor te diga que su propio sistema de evaluación podría estar midiendo el cumplimiento del formato es lo bastante raro como para merecer la frase.

A generated reference card headed 'Two tables, one shared row', with eight benchmark rows for ERNIE 5.5 Flash Base beside eight for Hy4 flash-Base and only the MMLU-Pro pair joined by a connector labelled '78.4 vs 71.1 — the only common row'.

Las dos tablas no se pueden colocar una encima de la otra.

Aquí está la trampa en esta comparación, y vale la pena decirla con claridad porque la mayor parte de internet no lo hará. Ambos proveedores publican MMLU-Pro. Baidu informa 78,4 para ERNIE 5.5 Flash Base. Tencent informa 71,1 para Hy4 flash-Base. Es tentador restar y reportar una victoria de 7,3 puntos para Baidu. Esa resta no es defendible.

Distintos números de ejemplos, distintos formatos de prompt y, en el caso de Hy4 flash-Base, un problema reconocido de seguimiento de formato que puede reducir una puntuación promedio macro. El único número de ambas tablas que cuenta con una definición compartida —Belebele en un subconjunto de cinco idiomas— es 93.8 para Hy4 flash-Base y simplemente está ausente de la tabla de Baidu. No hay una superposición lo suficientemente rigurosa como para restarla.

Lo que se puede decir es más acotado y aun así útil: el checkpoint de cada proveedor supera a las líneas base de DeepSeek de terceros que cada uno eligió, en la mayoría de las filas, por márgenes que produjeron sus propios harnesses. Dos afirmaciones más o menos independientes en la misma dirección son evidencia más fuerte que cualquiera de ellas por separado y más débil que un benchmark compartido. Ese es el techo honesto de lo que estas dos tarjetas permiten sostener.

Screenshot of the Hugging Face model card for tencent/Hy4-flash-Base, showing the release line, the model-links table and the benchmark table with its synthetic-data format-compliance disclaimer.

Un lanzamiento está terminado; el otro es una promesa.

Esta es la asimetría que importa más que cualquier fila de las anteriores, y no se trata de la calidad del benchmark.

Tencent publicó tres artefactos el 17 de noviembre: el modelo instruct, su versión FP8 y el checkpoint base. Un equipo que quiera hoy un modelo de chat puede descargar uno, cargarlo en vLLM con la imagen fijada vllm/vllm-openai:hy4-flash y servirlo. El checkpoint base está ahí para quienes quieran hacer ajuste fino, y la tarjeta remite a una guía de ajuste fino.

Baidu publicó un artefacto el 5 de noviembre. ERNIE 5.5 Flash Base son pesos preentrenados. No hay un ERNIE 5.5 Flash ajustado por instrucciones para descargar, no hay ningún endpoint de API documentado con ese nombre en el material de lanzamiento, y la ficha describe el modelo postentrenado solo como algo que "se supone que debe seguir". Un equipo que descargue ERNIE 5.5 Flash Base hoy se compromete a realizar el postentrenamiento por su cuenta, sobre 280B de pesos, antes de tener un modelo que pueda responder a una pregunta en un formato utilizable.

Para un grupo de investigación, ese es precisamente el artefacto interesante. Para un equipo de producto, no es un modelo, sino un punto de partida con una cantidad ilimitada de trabajo asociada, y la comparación correcta no es con Hy4 flash-Base, sino con Hy4 flash, que cuesta dinero por token y funciona ahora.

Screenshot of Baidu's ERNIE 5.5 Flash Base model card, showing the base-checkpoint benchmark table against DeepSeek-V4-Flash-Base, Hy3-preview-Base and MiMo-V2.5-Base.

Dónde encaja un router en una decisión de checkpoint base

Los checkpoints base no son lo que sirve un enrutador, y sería deshonesto sugerir lo contrario. OrcaRouter no incluye ni Hy4 flash-Base ni ERNIE 5.5 Flash Base, y ninguno de los modelos instruct de los dos proveedores figura hoy en el catálogo. Lo que sí incluye el catálogo es tencent/hy4-preview — el modelo 770B/49B del que se destiló Hy4 flash — a $0.834 por millón de tokens de entrada y $2.501 por millón de salida, con una lectura de caché de $0.042.

Eso importa para una decisión concreta. Si estás sopesando si ajustar un checkpoint base de 220B, la primera pregunta es si el comportamiento de la familia se adapta a tu tarea, y el modelo de vista previa lo responde en una tarde por el precio de los tokens que gastas probando. Hacer eso antes de aprovisionar ocho GPU para un despliegue FP8 con paralelismo tensorial es el paso más barato de todo el proyecto. El precio de lista del proveedor se traslada con un 0 % de margen, así que un cambio de precio de Tencent llega al catálogo el día en que ocurre en lugar de en la siguiente reconstrucción, y la conmutación por error automática hace que un trabajo de evaluación no muera porque un proveedor upstream haya tenido una mala hora.

Si el ajuste fino funciona, los pesos son tuyos y el enrutador deja de formar parte de esa ruta. Si no funciona, habrás invertido una tarde en descubrirlo en lugar de un trimestre.

Cómo leer este enfrentamiento

Si buscas un modelo que pueda trabajar, esta no es la página: Hy4 flash es el modelo terminado y ERNIE 5.5 Flash todavía no tiene uno. Si buscas una base preentrenada sobre la que construir, los dos candidatos están más cerca de lo que sugiere el marketing y más lejos de lo que indicaría una resta de benchmarks.

ERNIE 5.5 Flash Base es más grande, se entrenó durante más tiempo —33,5 billones de tokens con el optimizador Muon— y reporta puntuaciones más altas en su propio harness, incluida una cifra en MMLU-Pro que ningún modelo de Tencent en la tarjeta comparativa iguala. Hy4 flash-Base es más pequeño, más barato de servir con 12B activos, nativamente multimodal, se distribuye con un codificador de visión y un borrador de decodificación especulativa, y viene con una licencia que no excluye tres jurisdicciones.

El factor decisivo probablemente no sea ni la capacidad ni la licencia, sino los doce días que los separan. El checkpoint de Baidu ha tenido casi dos semanas para que la comunidad de ajuste fino produzca algo; Hy4 flash-Base ha tenido una. Esté atento a si aparece un ERNIE 5.5 Flash ajustado con instrucciones y a si alguien publica un LoRA para Hy4 flash-Base. Lo primero convertiría esto en una comparación real, con un benchmark compartido muy probablemente a continuación; lo segundo le diría qué base prefirieron realmente los profesionales.

Comparados en este artículo1

Detectado en este artículo