ERNIE-5.5-Flash vs DeepSeek V4.1 Flash : Baidu a lui-même choisi ce combat

La comparaison la plus utile pour ERNIE-5.5-Flash n’a pas été rédigée par un évaluateur. Elle figure dans le propre tableau de référence de Baidu, où le ERNIE-5.5-Flash-Base récemment publié est évalué face à DeepSeek-V4-Flash-Base avec 284B de paramètres totaux et 13B actifs — soit presque exactement la même classe de taille que les 280B totaux et 14B actifs d’ERNIE. C’est la seule confrontation à armes égales de tout le lancement d’ERNIE 5.5 : deux checkpoints préentraînés, un même banc d’essai, les mêmes prompts. Tout le reste de cette confrontation est asymétrique, car DeepSeek V4.1 Flash est un modèle finalisé, sous licence MIT, tarifé et servi, tandis qu’ERNIE-5.5-Flash est un checkpoint de base dont la version post-entraînée, selon Baidu, « suivra ». L’article honnête est donc double : ce que disent les chiffres en comparaison base à base, et ce qui se passe lorsqu’on place ces chiffres à côté d’un modèle que les gens peuvent réellement appeler. OrcaRouter répercute les prix catalogue des fournisseurs sans ajouter de marge, de sorte que la remise horaire de DeepSeek est répercutée dès le jour où elle s’applique.

La seule comparaison que Baidu a menée à armes égales

Baidu a publié 30 benchmarks répartis en sept catégories, évalués selon un pipeline unique avec des prompts et des exemples few-shot identiques, face à trois modèles de base : DeepSeek-V4-Flash-Base (284B-A13B), Hy3-preview-Base (295B-A21B) et MiMo-V2.5-Base (310B-A15B). La ligne DeepSeek est celle à examiner attentivement, car les nombres de paramètres sont suffisamment proches pour que ce soient l’architecture et la qualité des données qui fassent le travail plutôt que l’échelle.

• Paramètres totaux — ERNIE-5.5-Flash-Base 280B vs DeepSeek-V4-Flash-Base 284B

• Actifs par token — 14B vs 13B

• Jetons de pré-entraînement — 33,5 T contre non indiqué dans la ligne de comparaison

• Contexte d’entraînement — 128K vs 128K-class

• Poids publiés — FP8 et BF16, tous deux disponibles dès maintenant

• Licence — Contrat de licence du modèle de base ERNIE 5.5 Flash v1.0 vs MIT

Sur les lignes mises en avant par Baidu, ERNIE est en tête : MMLU 93,3, MMLU-Pro 78,4, GPQA 60,2, BBH 89,2 avec chaîne de raisonnement, HumanEval+ 82,3, MBPP+ 81,5, HELMET-RAG 71,5 et RepoQA 91,7. Il s'agit d'une fiche de modèle de base véritablement solide. Elle est aussi exécutée par le fournisseur, sur un harnais conçu par Baidu, publiée le jour de la sortie des poids. Considérez-la comme une affirmation assortie d'une annexe détaillée, et non comme un résultat.

La partie la plus instructive est celle où ERNIE perd. Le billet de Baidu reconnaît que ChineseSimpleQA, INCLUDE-lite, HELMET-Rerank, InfiniteBench et FullStackBench reviennent à un concurrent. Un tableau de lancement qui affiche ses propres défaites vous dit que la comparaison a été menée de bonne foi — ce qui augmente, plutôt que diminue, la valeur des lignes remportées par ERNIE.

Là où la symétrie se brise : un modèle est terminé

DeepSeek V4.1 Flash est sorti le 10 septembre 2026, avec un instantané « 1017 » le 17 octobre. Il s'agit d'un modèle à mélange d'experts clairsemé avec une architecture dorsale de 552B et environ 763B de paramètres au total, mémoire conditionnelle comprise, activant 8B en entrée et 16B en sortie. Entrée multimodale native, contexte de 1M tokens, 45T tokens d'entraînement et licence MIT. Aux tarifs catalogue pratiqués par OrcaRouter, il est facturé 0,15 $ par million de tokens d'entrée et 0,60 $ par million de tokens de sortie, avec des lectures en cache à 0,003–0,006 $ ; l'API de DeepSeek ajoute une remise selon l'heure de la journée, ce qu'il vaut la peine de savoir avant de bâtir un modèle de coûts autour du chiffre le plus bas que vous puissiez trouver.

Ce modèle suit des instructions, appelle des outils, accepte des images et dispose d'un prix publié. ERNIE-5.5-Flash-Base ne fait rien de tout cela, car il n'a pas fait l'objet d'un post-entraînement. La comparaison qui compte pour un acheteur n'est donc pas de base à base — mais de modèle fini à modèle fini, et l'un des deux modèles finis n'existe pas encore.

Ce n’est pas un détail. C’est lors du post-entraînement que se forgent le suivi d’instructions, l’utilisation d’outils, le comportement de refus, la discipline de formatage et l’essentiel de la qualité perçue d’un modèle moderne de gamme Flash. Le score MMLU d’un checkpoint de base renseigne sur l’a priori. Il ne dit presque rien sur la capacité du modèle à émettre de manière fiable un objet JSON, à suivre une invite système ou à tenir sur une boucle d’agent de 40 tours. DeepSeek V4.1 Flash a des comportements publiés sur ces axes. ERNIE 5.5 Flash a une promesse.

La différence de licence est le problème latent.

DeepSeek publie V4.1 Flash sous licence MIT. C'est à peu près ce qui se fait de plus permissif en matière de licence de modèle : utilisation commerciale, modification, redistribution, aucune restriction de domaine d'utilisation, aucun accord séparé à négocier. Baidu publie ERNIE-5.5-Flash-Base sous l'ERNIE 5.5 Flash Base Model License Agreement v1.0 — une licence sur mesure, pas Apache 2.0, et un recul notable par rapport à ERNIE 4.5, publié sous Apache 2.0 en 2025.

Pour une équipe de recherche, cela peut ne pas avoir d’importance. Pour une entreprise qui souhaite affiner un modèle sur des données propriétaires et commercialiser un produit, c’est la première chose que le service juridique lira, et les licences de modèles chinois sur mesure ont historiquement comporté des restrictions d’utilisation, des exigences d’attribution et des seuils que la licence MIT ne prévoit pas. Le fait que les poids soient téléchargeables ne signifie pas qu’ils soient utilisables selon vos conditions.

Cette différence s’amplifie avec la taille. ERNIE, avec 280B paramètres au total, représente environ 280 Go en FP8 avant d’ajouter le cache KV et la marge nécessaire aux activations ; les 763B au total de DeepSeek V4.1 Flash sont encore plus importants, ce qui explique précisément pourquoi la plupart des équipes y accèdent via une API plutôt que via un cluster GPU. Si vous prévoyez d’auto-héberger l’un ou l’autre, la licence est le problème le plus facile à résoudre.

Service : les deux dépôts nomment les mêmes outils, l’un a deux mois d’avance.

La fiche modèle de Baidu contient des exemples SGLang et vLLM, et le dépôt Megatron-Bridge de NVIDIA inclut déjà un exemple de fine-tuning d’ERNIE 5.5. C’est une sortie solide — un modèle de base accompagné de recettes de déploiement dès le premier jour, c’est plus que ce que beaucoup de laboratoires parviennent à faire.

L’avantage de l’écosystème de DeepSeek ne réside pas dans les recettes, mais dans le kilométrage parcouru. V4.1 Flash est en production depuis près de deux mois, dispose d’un snapshot 1017 avec des deltas publiés — Terminal-Bench 4.0 passant de 31,2 à 42,3, DeepSWE v1.1 de 74,2 à 77,0 — et est disponible via l’API du fournisseur lui-même ainsi que plusieurs plateformes tierces, dont OrcaRouter. Lorsqu’une quantification casse ou qu’un kernel régresse, quelqu’un a déjà signalé le problème.

Sur OrcaRouter spécifiquement, deepseek/deepseek-v4.1-flash et la version épinglée deepseek/deepseek-v4.1-flash-1017 sont tous deux routables aujourd’hui au prix catalogue du fournisseur, avec 0 % de marge, ce qui signifie que la réduction hors heures de pointe est visible dans votre facturation le jour où DeepSeek l’applique, plutôt qu’après la marge d’un revendeur. ERNIE-5.5-Flash ne figure pas au catalogue — il n’y a aucune entrée ERNIE parmi les 216 identifiants de modèles — donc rien ici ne doit être interprété comme une affirmation d’hébergement d’ERNIE. Le point concernant le routage est plus étroit : si vous choisissez entre un modèle que vous pouvez appeler maintenant et un autre que vous ne pouvez pas, la question de la plateforme est déjà tranchée.

Que faire cette semaine

Si vous avez besoin en production d’un modèle Flash bon marché à contexte long, DeepSeek V4.1 Flash est la réponse et ERNIE ne fait pas partie des options envisagées. Ce n’est pas un jugement sur la qualité du checkpoint de Baidu. C’est un constat : un modèle de base sans tarification, sans post-entraînement et non déployé ne peut pas occuper une place en production.

Si vous effectuez un pré-entraînement continu en chinois, le calcul change. ERNIE-5.5-Flash-Base à 280B-A14B avec 33.5T de tokens derrière lui constitue un point de départ crédible, l’architecture est documentée avec un niveau de détail inhabituel — 43 couches, 37 HCA plus 6 MLA-DSA, 512 experts routés au top-10, un vocabulaire de 201,216 tokens — et l’exemple Megatron-Bridge raccourcit le chemin vers un premier fine-tune. Lisez la licence avant de lire les benchmarks.

Si vous évaluez plutôt que de construire, l'action utile consiste à lancer vous-même la comparaison de base publiée par Baidu sur les deux checkpoints ouverts. Les deux sont téléchargeables, tous deux s'intègrent au même harnais, et reproduire le tableau est le seul moyen de savoir si le balayage de 30 benchmarks survit au contact d'une seconde paire de mains.

Le nombre à surveiller

Ce n’est pas MMLU. C’est le prix que Baidu finira par fixer pour l’ERNIE 5.5 Flash post-entraîné. DeepSeek V4.1 Flash a établi une référence à 0,15 $/0,30 $ en entrée et 0,60 $/1,20 $ en sortie, avec un contexte de 1 M et une licence MIT. Un modèle de la gamme Flash qui arrive au-dessus de ce prix doit avoir une raison d’être précise — la qualité en langue chinoise, la résidence des données, ou une capacité que DeepSeek n’a pas. Un modèle qui arrive en dessous change la conversation sur les coûts pour toute charge de travail en langue chinoise.

Tant que ce chiffre n’existe pas, cette confrontation n’admet qu’une seule conclusion défendable : Baidu a construit un modèle de base qui rivalise avec le modèle de base de DeepSeek à taille égale, et n’a pas encore livré ce qui permettrait à quiconque de comparer les produits. C’est un véritable résultat. Ce n’est simplement pas celui que la requête de recherche demande.