ERNIE 5.5 Flash Preview veut votre tâche la plus difficile : ce que la construction en onze heures prouve vraiment

ERNIE 5.5 Flash Preview est entré en service en tant que point de terminaison facturé sur Qianfan de Baidu le 10 novembre 2026, et l'article officiel de lancement a suivi le 11 novembre avec une affirmation phare : confiez-lui vos tâches les plus difficiles. Cette affirmation repose plus que tout sur un artefact — un jeu à la troisième personne sous Unreal Engine 5.8 construit dans ce que Baidu décrit comme une seule tâche de codage de onze heures — et sur vingt lignes de benchmarks que Baidu a exécutées sur ses propres harnais avec des juges qu'elle a choisis. Ni les onze heures ni les vingt chiffres n'ont été reproduits en dehors de l'entreprise. La question intéressante n'est pas de savoir si la démo est impressionnante. C'est de savoir si une exécution agentique de onze heures est même la bonne chose à mesurer, et ce que la fiche technique dit de la facture que vous paieriez pour une telle exécution. Le catalogue contient 228 modèles de 17 fournisseurs et il n'y a aucune entrée ERNIE dans un catalogue de 228 modèles de 17 fournisseurs le groupe de comparaison n'est donc qu'à une clé près, même si le sujet ne l'est pas.

L'affirmation porte sur la durée, pas sur la difficulté.

Chaque billet de lancement de modèle affirme que le modèle excelle dans les tâches difficiles. Celui-ci définit la difficulté autrement : il la définit par la longueur. Le build du jeu, les scènes 3D, les espaces de travail de plusieurs milliers de fichiers et le court métrage d’animation de 116 secondes sont tous des exercices consistant à maintenir la cohérence d’un plan au fil d’heures de modifications et d’appels d’outils, et non à répondre à une question à laquelle un modèle plus petit donnerait une mauvaise réponse.

Cette distinction compte parce que les deux propriétés se dissocient. Un modèle peut exceller en raisonnement à un seul tour et s’effondrer à la quatrième heure d’un refactoring, quand le contexte est rempli de ses propres erreurs antérieures et que le plan doit être révisé plutôt qu’exécuté. Un modèle peut aussi être médiocre sur une énigme à une seule tentative et rester le bon choix pour un build nocturne. Baidu parie que c’est la seconde chose qui vous importe.

La phrase la plus utile de tout l’article n’est pas un benchmark. Elle se trouve dans la section consacrée au développement de jeux, et décrit comment le modèle a travaillé sans pouvoir voir : parce qu’il est uniquement textuel et ne peut pas regarder l’écran, il a converti des bugs repérés pendant les tests de jeu — un personnage flottant au-dessus du sol, une direction de course incohérente, une caméra mal placée — en tests mesurables dans le code. C’est une description franche d’un contournement, et elle révèle quelque chose que la fiche technique ne dit pas. La compétence du modèle sur le travail visuel est déléguée à des outils qu’il écrit lui-même, ce qui signifie que la qualité du résultat dépend de sa capacité à inventer un test vérifiable pour ce qu’il ne peut pas voir.

Ce que le reel contient réellement

Les quatre études de cas méritent d’être citées, car elles sont plus précises que ne le sont habituellement les textes de lancement, et c’est la précision qui les rend vérifiables en principe.

• Développement de jeux — un jeu à la troisième personne sous Unreal Engine 5.8 réalisé en une seule tâche de onze heures, fusionnant des assets issus de plusieurs générations du moteur en un seul projet et écrivant le jeu en C++ ; séparément, près d'une centaine de mini-jeux mobiles générés à partir de documents de conception sous Cocos, Unity, LayaAir, PixiJS et Canvas 2D, la plupart structurant leurs règles comme une simulation déterministe afin que des parties de bots et une recherche dans l'espace d'états puissent prouver que chaque niveau est franchissable.

• Modélisation 3D — un Boeing 747 et l’aéroport de Beijing Daxing construits par deux agents via l’API Python de Blender, l’un sur l’aéroport et l’autre sur l’avion, puis harmonisés à l’échelle, éclairés, rendus image par image avec Cycles et OptiX et montés avec FFmpeg ; le complexe du temple Hōryū-ji étudié et assemblé étape par étape ; une séquence de prévisualisation d’environ 2 100 objets et 1,82 million de triangles répartis sur quatre scènes Blender ; un moteur W16, deux tours de Shenzhen et un rover lunaire modélisés dans FreeCAD au moyen de scripts Python.

• Travail intellectuel — un rapport de recherche de 20 pages sur les coûts d’électricité des centres de données, une analyse de conduite autonome de 24 pages fondée sur 4 169 rapports fédéraux d’accidents, un classeur interactif de planification patrimoniale avec une simulation Monte Carlo à 1 000 trajectoires, et une pièce orchestrale de 6 minutes et 34 secondes livrée sous forme de fichier WAV.

• Vidéo — plus de 150 000 environnements de création et environ 5 300 minutes de vidéo finalisée, avec en tête un court métrage d’animation 2D de 116 secondes écrit en plus de 10 000 lignes de Python, qui fait évoluer un unique pélican paramétré à travers 20 styles artistiques.

Le chiffre d’entraînement derrière la section sur le travail intellectuel est le plus grand nombre de l’article : 300 000 espaces de travail contenant 10 millions de fichiers de référence répartis sur plus de 40 types de fichiers. C’est une affirmation sur ce que le modèle a été entraîné à surmonter, et c’est la partie de l’argument qu’un tableau de benchmarks ne peut absolument pas exprimer.

Les vingt lignes, lues pour ce qu’elles disent des longues séries

L’annexe est une image unique, ce qui signifie que les chiffres ne peuvent pas être copiés, triés ni vérifiés par rapport à un tableur. D’après cette image, la colonne ERNIE se présente comme suit, tous rapportés par le fournisseur et non reproduits :

• Codage agentique — Terminal-Bench 4.0 à 46,5, DeepSWE v1.1 à 71,2, ProgramBench (Almost Solved) à 29,5, NL2Repo-Bench à 64,8, Terminal-Bench-Science 0.1 à 21,0.

• Utilisation de l'ordinateur et automatisation — CookieBench à 88,2, AutomationBench à 61,9, APEX-Agents 1.1 à 64,2, DRACO à 84,9.

• Travail intellectuel — SpreadsheetBench V2 à 36,4, OfficeQA Pro V2 à 67,9, Agents' Last Exam (CLI) à 29,0, SkillsBench 1.1 en mode texte uniquement à 73,5.

• Agents généraux et utilisation d'outils — Toolathlon-Verified à 79,0, MCP-Atlas à 84,6, BrowseComp à 87,4.

• Raisonnement — HLE sans outils à 46,4, AA-Omniscience-Public à 25,2, AA-LCR v1.1 à 79,0.

• 3D — BlenderWorld, texte uniquement, à 79,0.

Lu comme une carte de ce qui échoue encore, ce tableau est bien plus utile que comme un tableau des scores. Quatre lignes se situent sous 40 : ProgramBench à 29,5, Agents' Last Exam en ligne de commande à 29,0, AA-Omniscience-Public à 25,2 et Terminal-Bench-Science à 21,0. Ce ne sont pas des benchmarks faciles. Agents' Last Exam est conçu pour se situer près de la frontière de ce qu'un agent peut accomplir de manière autonome ; l'omniscience punit les réponses fausses données avec assurance ; Terminal-Bench-Science évalue des tâches de niveau laboratoire, où une procédure d'apparence plausible ne vaut rien. Un modèle qui veut votre tâche la plus difficile et obtient 21,0 sur la variante scientifique du benchmark agentique le plus difficile vous indique où se situe actuellement le plafond. SpreadsheetBench V2 à 36,4 dit quelque chose de similaire à propos du travail sur tableur en particulier, ce qui détonne à côté du classeur Monte Carlo à 1 000 chemins évoqué dans le billet de lancement.

Les lignes au-dessus de 80 sont tout aussi instructives, mais pour une raison différente. BrowseComp à 87,4, MCP-Atlas à 84,6, CookieBench à 88,2 et DRACO à 84,9 sont toutes des tâches où le modèle est évalué sur un état final achevé et vérifiable plutôt que sur une réponse. Ce schéma — fort sur l’achèvement vérifiable, faible sur le jugement scientifique ouvert — est exactement ce à quoi on s’attendrait d’un modèle entraîné sur 300 000 espaces de travail remplis de fichiers qui compilent ou non.

Les notes de bas de page portent l’honnêteté. Chaque benchmark a été exécuté sur un harnais nommé, avec Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 et un autre abrégé DSH, tous présents, et les modèles juges sont Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 et Gemini 3.1 Flash-Lite. Une note de bas de page reconnaît que GLM-5.3 et ce modèle sont dépourvus de capacités multimodales natives et que la compréhension d’images a été fournie via un outil propulsé par Claude Opus 5.5. Au moins certaines des lignes dépendantes de la vision mesurent donc un harnais dans lequel ERNIE 5.5 Flash Preview appelle le modèle d’un concurrent pour regarder les choses. C’est un choix d’ingénierie légitime et une chose étrange à trouver dans un tableau de scores.

Les deux lignes préfixées par AA nécessitent leur propre réserve. AA-Omniscience-Public et AA-LCR v1.1 sont des benchmarks publiés par Artificial Analysis, l’organisme de suivi indépendant, mais il s’agit des exécutions de Baidu de ces benchmarks. Au 11 novembre, il n’existe aucune ligne ERNIE 5.5 dans le classement d’Artificial Analysis, il n’y a donc aucun chiffre indépendant à opposer à l’une ou l’autre des cellules.

Ce que coûterait une exécution de onze heures, et ce que Baidu n’a pas dit

La documentation de l’endpoint est l’élément de cette version qui transforme une démo en décision d’ingénierie. Qianfan affiche ERNIE 5.5 Flash Preview à 0,28 $ par million de tokens d’entrée et 1,13 $ par million de tokens de sortie, avec les lectures en cache à 0,028 $, une fenêtre de contexte de 1 024 000 tokens, un plafond de sortie de 921 600 tokens, et un raisonnement toujours activé à un seul niveau d’effort élevé, sans possibilité de le désactiver.

Ce plafond de sortie est la raison mécanique pour laquelle une longue exécution unique est même envisageable : le modèle peut émettre presque autant de tokens que en contient sa fenêtre de contexte entière. C’est aussi la raison pour laquelle la facture n’a rien d’évident. Les prompts sont facturés au quart du tarif de sortie, mais tout ce que le modèle pense est facturé au tarif de sortie, et un modèle incapable de s’arrêter de penser est un modèle dont le coût par tâche est dominé par des tokens que personne ne lit.

Faites le calcul sur un appel unique maximal, qui est le cas le plus favorable disponible. Remplir la fenêtre de 1 024 000 jetons coûte environ 0,29 $ au tarif d’entrée. Produire la totalité du plafond de sortie de 921 600 jetons coûte environ 1,04 $. Cela fait à peu près 1,33 $ pour un appel qui épuise les deux limites. Il est très plausible que le build Unreal de onze heures ne l’ait pas fait, et le billet de lancement ne dit ni combien de jetons il a consommés, ni combien d’appels distincts il a nécessités, ni combien il a coûté. Tant que personne n’a mesuré les jetons de sortie par tâche accomplie sur sa propre charge de travail, toute affirmation selon laquelle ce modèle est bon marché ou coûteux sur des tâches difficiles est une comparaison de grilles tarifaires plutôt qu’une comparaison de résultats.

Deux choses que la version vous doit encore

L'article se conclut en qualifiant ERNIE 5.5 Flash Preview de « checkpoint intermédiaire issu du post-entraînement », en reconnaissant que l'entraînement n'est pas terminé et que certaines capacités pourraient encore être en deçà. Il promet également que les poids seront bientôt publiés en open source sous Apache 2.0, sans date précise, et au 11 novembre, il n'existe aucun dépôt de prévisualisation sur Hugging Face — les seuls artefacts ERNIE 5.5 qui y sont publiés sont le checkpoint de base et sa variante BF16. Il n'y a ni fiche modèle, ni date de coupure des connaissances, ni le moindre chiffre de latence nulle part dans la publication.

Le résumé honnête de « confiez-lui votre tâche la plus difficile » est donc plus étroit que le slogan. ERNIE 5.5 Flash Preview est un modèle uniquement textuel doté d’un contexte très vaste, d’une autorisation de sortie inhabituellement élevée, d’un solide bilan sur les tâches qui aboutissent à un artefact de build, d’un bilan faible sur les tâches qui aboutissent à un jugement scientifique, et d’une vérification indépendante nulle. C’est un profil réel et spécifique. C’est aussi un profil qu’un second checkpoint écrasera probablement.

Comment tester ce profil sans parier un chemin dessus

Baidu sert ce modèle via sa propre API Qianfan et via des plateformes tierces qui le revendent. OrcaRouter n'effectue pas le routage d'ERNIE 5.5 Flash Preview — il n'y a aucune entrée ERNIE dans un catalogue de 228 modèles issus de 17 fournisseurs et aucun point de terminaison Baidu derrière — donc rien ici ne doit être interprété comme une offre de le servir.

Ce pour quoi le catalogue est utile dans cette situation, c’est l’autre moitié de l’expérience. Les modèles auxquels celui-ci est comparé sont accessibles au moyen d’une seule clé, au prix catalogue du fournisseur et sans marge, ce qui vous permet de leur soumettre les mêmes tâches difficiles et de comparer les taux d’achèvement plutôt que les scores publiés. Le basculement automatique remplit la seconde fonction : un aperçu sans historique de disponibilité ne doit jamais être la seule chose à soutenir un chemin de requête, car un repli routé peut prendre l’appel lorsque celui-ci se bloque à la troisième heure.

L’évaluation qui vaut la peine d’être menée cette semaine est de petite ampleur. Prenez dix de vos propres tâches d’agent à long horizon — celles que vous ne confieriez pas normalement à une seule exécution sans surveillance — et faites passer chacune d’elles par ERNIE 5.5 Flash Preview et par deux modèles auxquels vous faites déjà confiance. Notez si elle a abouti, combien de tokens de sortie elle a consommés et ce qu’elle a coûté. Cela produit les deux chiffres que Baidu a omis : les tokens par tâche et le coût par tâche terminée. Tout le reste dans l’article de lancement, y compris le 46.5 et y compris les onze heures, relève du harnais de quelqu’un d’autre sur la machine de quelqu’un d’autre.

Ce qui trancherait la question, ce n'est pas une nouvelle bande de démonstration. C'est une date pour la publication sous Apache 2.0, une fiche de modèle assortie d'une date de coupure des connaissances, une ligne Artificial Analysis produite par Artificial Analysis, et un second checkpoint dont les chiffres puissent être comparés à ceux de celui-ci. Baidu a publié le récit qu'il aurait dû publier en parallèle de l'endpoint. Ce qu'il doit désormais aux personnes qu'il vient tout juste d'inviter à lui confier leurs tâches les plus difficiles, c'est l'artefact qui leur permette de cesser de le croire sur parole quant à la façon dont les plus difficiles se sont soldées.