ERNIE 5.5 Flash Preview a enfin son article de lancement, vingt benchmarks et une promesse de poids

46,5 sur Terminal-Bench 4.0 est le premier score que Baidu ait jamais publié pour ERNIE 5.5 Flash Preview, et il a été obtenu le 11 novembre 2026 — un jour après la mise en ligne du modèle lui-même sur Qianfan en tant qu’endpoint facturé, avec une grille tarifaire et aucune documentation. L’article de lancement contenant ce chiffre est la première déclaration officielle sur le modèle, et il répond aux trois questions auxquelles l’endpoint ne pouvait pas répondre : ce qu’il est (280 milliards de paramètres au total avec 14 milliards actifs, un contexte de 1 M de tokens, post-entraîné sur le checkpoint ERNIE 5.5 Flash Base du 5 novembre), comment Baidu affirme qu’il se compare (vingt lignes de benchmarks comparées à GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 et à un modèle désigné uniquement sous le nom de Hy4), et si vous pourrez un jour l’exécuter vous-même (les poids « seront bientôt open source sous Apache 2.0 »). Chaque chiffre de ce tableau est déclaré par le fournisseur, produit sur les propres harnais de Baidu avec des modèles juges sélectionnés par Baidu, et rien de tout cela n’a été reproduit en dehors de l’entreprise. Le groupe de benchmarks est la partie de cette comparaison que vous pouvez réellement contrôler. prix catalogue du fournisseur avec 0 % de marge GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 et DeepSeek V4.1 Flash sont accessibles avec une seule clé au prix catalogue du fournisseur, les frais OrcaRouter étant indiqués comme 0,00 $.

Ce que Baidu a mis sur la page

L’article est structuré comme une bande démo avec une annexe de benchmarks, ce qui vous indique ce que Baidu considère comme l’argument. Quatre sections de capacités — développement de jeux, modélisation et conception 3D, travail de connaissance, création vidéo — chacune construite à partir d’artefacts que le modèle a produits de bout en bout dans un harnais d’agent, avec des ressources et des outils externes crédités pièce par pièce. La spécification se trouve dans le paragraphe d’ouverture et ne revient jamais : 280 B au total, 14 B actifs, contexte de 1 M de tokens, API sur Qianfan, poids promis sous Apache 2.0. Il n’y a pas de fiche modèle, pas de date limite de connaissances, pas de chiffre de latence, pas de tarification et aucune indication sur le nombre de tokens de raisonnement que le modèle émet par tâche.

Deux phrases de l’article comptent plus que tout le reste réuni. La première se trouve dans la section consacrée au développement de jeux, décrivant le projet Unreal Engine 5.8 : « Comme il s’agit d’un modèle uniquement textuel qui ne peut pas voir l’écran, il a transformé des problèmes repérés lors des tests de jeu, comme un personnage qui flotte au-dessus du sol, une direction de course incohérente et une caméra mal placée, en tests mesurables dans le code. » C’est une description d’une franchise inhabituelle d’un contournement — le modèle a écrit des tests parce qu’il ne pouvait pas regarder le jeu — et c’est l’affirmation la plus claire à ce jour qu’il s’agit d’un système qui prend du texte en entrée et produit du texte en sortie, dont la compétence visuelle est déléguée à l’outillage.

Le second est le paragraphe de clôture : ERNIE 5.5 Flash Preview « est un checkpoint intermédiaire issu du post-entraînement. Il est déjà compétitif avec les modèles de sa taille, mais comme l’entraînement n’est pas terminé, certaines capacités peuvent encore être en retrait. » Un billet de lancement qui vous dit que le lancement n’est pas terminé vaut mieux qu’un billet qui ne le fait pas, et il recadre tout ce qui précède. Vous ne lisez pas une annonce produit. Vous lisez un rapport d’avancement accompagné d’un tableau des scores, publié afin que les utilisateurs fassent part de leurs retours avant la sortie officielle.

Les vingt lignes du benchmark, à lire attentivement.

Le tableau en annexe est une seule image, ce qui est en soi un petit indice : les chiffres ne peuvent être copiés, triés ni vérifiés par rapport à un tableur. Lue directement sur l’image, la colonne ERNIE se présente comme suit, tous rapportés par Baidu 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 avec un marqueur de note de bas de page, AA-Omniscience-Public à 25,2, AA-LCR v1.1 à 79,0.

• 3D — BlenderWorld en texte uniquement à 79,0, la seule ligne qui aborde directement les affirmations relatives à la CAO et à Blender dans le corps du texte.

Les notes de bas de page sont là où réside l’honnêteté, et elles valent la peine d’être lues avant même la moindre cellule. Chaque benchmark a été exécuté sur un harnais nommé — Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 et quelque chose d’abrégé en DSH apparaissent tous — 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 notre modèle manquent de capacités multimodales natives ; la compréhension des images est assurée par un outil propulsé par Claude Opus 5.5 ». En d’autres termes, au moins certains des benchmarks dépendants de la vision ont été réalisés par ERNIE 5.5 Flash Preview pilotant un outil qui appelle le modèle d’un concurrent. Il s’agit d’un choix d’ingénierie légitime et d’une chose véritablement étrange à découvrir dans un tableau des scores, et cela signifie que les lignes qui impliquent de regarder quoi que ce soit mesurent l’ensemble du harnais, et non le modèle seul.

Les deux lignes portant le préfixe AA méritent une mise en garde particulière. AA-Omniscience-Public et AA-LCR v1.1 sont des benchmarks publiés par Artificial Analysis, l’organisme de suivi indépendant — mais il s’agit d’exécutions réalisées par Baidu, et non par Artificial Analysis. Au 11 novembre, aucune ligne ERNIE 5.5 ne figure au classement d’Artificial Analysis ; il n’existe donc aucun chiffre indépendant à opposer à l’une ou l’autre de ces cellules.

La bande démo est le véritable argument

Si le tableau des benchmarks est la partie qui sera citée, les quatre études de cas sont celle qui est difficile à falsifier, car elles décrivent des livrables plutôt que des scores. Les détails sont suffisamment précis pour être vérifiables en principe et suffisamment concrets pour être utiles lorsque vous décidez à quoi appliquer ce modèle.

• Développement de jeux — un jeu à la troisième personne sous Unreal Engine 5.8, réalisé en une seule tâche de programmation de 11 heures, fusionnant des assets issus de plusieurs générations de moteurs dans un seul projet et écrivant le jeu en C++ ; par ailleurs, près de 100 mini-jeux mobiles générés à partir de documents de conception sur Cocos, Unity, LayaAir, PixiJS et Canvas 2D, dont la plupart structurent leurs règles sous forme de simulation déterministe afin que des parties jouées par des bots et une recherche dans l’espace d’états puissent vérifier 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’appareil, puis ajustés à la même échelle, éclairés, rendus image par image avec Cycles et OptiX et montés avec FFmpeg ; le complexe du temple Hōryū-ji étudié et construit étape par étape ; une séquence de prévis 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 de la connaissance — un rapport de recherche de 20 pages sur les coûts d’électricité des centres de données, une analyse de la conduite autonome de 24 pages fondée sur 4 169 rapports d’accidents fédéraux, 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 au format WAV. L’histoire d’entraînement derrière tout cela est le plus grand nombre de la publication : 300 000 espaces de travail contenant 10 millions de fichiers de référence répartis sur plus de 40 types de fichiers.

• 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.

Ce qu’ils ont en commun, c’est qu’aucun d’entre eux n’est une interaction de type chat. Chacun est une longue exécution agentique avec des appels d’outils, et l’affirmation porte sur l’endurance — la capacité du modèle à maintenir un plan cohérent sur des heures de modifications. C’est précisément la propriété qu’un tableau de benchmark à vingt lignes mesure le plus mal, et la raison pour laquelle l’article commence par les artefacts.

Là où l'article de lancement et le point de terminaison divergent

Le modèle décrit dans l’article et le modèle décrit par la fiche de spécifications de Qianfan sont reconnaissablement le même système vu par deux services qui ne se sont pas concertés. Le point de terminaison a été mis en ligne le 10 novembre à 0,28 $ par million de jetons d’entrée et 1,13 $ par million de jetons de sortie, avec des lectures en cache à 0,028 $, un contexte de 1 024 000 jetons, un plafond de sortie de 921 600 jetons, un raisonnement obligatoire à un seul niveau d’effort élevé et aucune fiche modèle. L’article de lancement, publié un jour plus tard, reformule la fenêtre de contexte, ignore totalement le prix, ne dit rien sur le raisonnement obligatoire et fournit l’équivalent d’une fiche modèle en matière de positionnement sans fournir la fiche modèle.

La conséquence pratique est que les deux moitiés de l’histoire doivent être lues ensemble, ou pas du tout. Le billet indique que le modèle peut mener une tâche de codage de onze heures ; le point de terminaison indique que tout ce qu’il « pense » est facturé au tarif de sortie et qu’on ne peut pas désactiver la réflexion. Une exécution qui passe des heures à itérer est une exécution qui émet un nombre énorme de jetons de sortie, et à 1,13 $ le million, le coût de la démo est une question que le billet ne soulève jamais. Tant que personne n’a mesuré les jetons de sortie par tâche terminée sur sa propre charge de travail, toute comparaison entre ce modèle et un modèle moins cher est une comparaison de grilles tarifaires.

Ce qui manque encore, et ce n’est pas rien

Trois absences définissent l’état actuel d’ERNIE 5.5 Flash Preview, et chacune se résout sur une échelle de temps différente.

• Les poids. La publication promet Apache 2.0 « bientôt » mais n'indique aucune date, et au 11 novembre, il n'existe aucun dépôt de préversion sur Hugging Face — les seuls artefacts ERNIE 5.5 qui y sont publiés sont ERNIE-5.5-Flash-Base et sa variante BF16, tous deux créés le 21 octobre. Le checkpoint de base a été publié sous la licence ERNIE 5.5 Flash Base, une licence communautaire restreinte qui exclut l'Union européenne, le Royaume-Uni et la Corée du Sud, plafonne l'utilisation commerciale gratuite en fonction du chiffre d'affaires annuel associé et exige une mention « Powered by ERNIE ». Si les poids de la préversion arrivent effectivement sous Apache 2.0, cela constitue un changement des termes de licence pour la famille et un enjeu bien plus important que n'importe quelle ligne de benchmark.

• Le score indépendant. Rien dans cette version n’a été exécuté par quiconque d’autre que Baidu. Les benchmarks dont le nom contient AA sont ceux à surveiller, car Artificial Analysis exécute ses propres bancs d’essai et publiera une ligne comparable si et quand il ajoutera le modèle ; d’ici là, les vingt cellules sont une affirmation, pas une mesure.

• Le modèle finalisé. Baidu indique que le post-entraînement est en cours et que la version officielle apportera des améliorations par rapport à l’aperçu. C’est une déclaration explicite selon laquelle les chiffres d’aujourd’hui ont une durée de vie limitée, et cela fait de toute décision de s’appuyer sur ce checkpoint une décision portant sur une cible mouvante.

Comment l’évaluer sans miser une voie de production dessus

L'accès se fait via l'API Qianfan propre à Baidu, ou via des plateformes tierces qui la revendent. OrcaRouter n'achemine pas ERNIE 5.5 Flash Preview — il n'y a aucune entrée ERNIE dans notre catalogue de plus de 200 modèles et aucun point de terminaison Baidu derrière, donc rien ici ne doit être interprété comme une offre de le servir.

Ce qui rend le catalogue utile dans cette situation, c'est l'autre côté de la table : les modèles auxquels celui-ci est comparé sont tous accessibles via une clé compatible OpenAI au prix catalogue du fournisseur, avec 0 % de marge, ce qui permet de faire tourner vous-même les mêmes vingt tâches à travers GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 et DeepSeek V4.1 Flash et de voir si le classement de Baidu résiste au contact de vos prompts. Le basculement automatique remplit la seconde fonction — un aperçu sans historique de disponibilité n'a jamais besoin d'être la seule chose à soutenir un chemin de requête, car un repli routé peut prendre l'appel lorsqu'il se bloque.

L’évaluation qui vaut la peine d’être menée cette semaine est étroite et peu coûteuse. Prenez dix de vos propres tâches d’agent à long horizon, exécutez chacune via la preview et via deux modèles auxquels vous faites déjà confiance, et notez trois choses par tâche : si elle a abouti, combien de tokens de sortie elle a consommés et ce qu’elle a coûté. Cela vous donne les deux chiffres que Baidu n’a pas publiés — tokens par tâche et coût par tâche terminée — par rapport à une référence que vous avez choisie vous-même. Tout le reste dans l’article de publication, y compris le 46,5, relève du harnais de quelqu’un d’autre.

Ce qui trancherait la question, ce n’est pas une nouvelle démo. C’est une date de sortie sous Apache 2.0, une fiche modèle indiquant une date de coupure des connaissances et un tableau d’évaluation, une ligne Artificial Analysis produite par Artificial Analysis, et un deuxième checkpoint dont les chiffres soient comparables à ceux de celui-ci. Baidu a désormais publié le récit qu’il aurait dû publier le 10 novembre. La prochaine chose qu’il doit à ses utilisateurs, c’est l’artefact qui leur permet de ne plus le croire sur parole au sujet du tableau des scores.