ERNIE-5.5-Flash vs Qwen 3.8 Flash : un checkpoint de base rencontre un modèle finalisé

Placez ERNIE-5.5-Flash à côté de Qwen 3.8 Flash et la première observation honnête est qu’ils ne sont pas du même type d’objet. Ce que Baidu a réellement publié, c’est ERNIE-5.5-Flash-Base, le checkpoint à la fin du pré-entraînement — avant l’entraînement intermédiaire, avant le réglage par instructions, avant tout travail sur les préférences — donc il continue du texte plutôt que de répondre à des requêtes, et il est servi via un endpoint de completions, pas de chat. Qwen 3.8 Flash, qu’Alibaba a livré le 26 août 2026, est un modèle multimodal fini qui prend du texte, des images et des vidéos et renvoie du texte, à 0,15 $ par million de jetons d’entrée et 0,47 $ par million de jetons de sortie. L’un est un point de départ qu’il vous reste à entraîner ; l’autre est un produit que vous pouvez appeler cet après-midi. Presque chaque chiffre ci-dessous change de sens selon laquelle de ces deux choses vous pensez comparer, d’où l’intérêt de le régler avant la fiche technique plutôt qu’après.

Ce que Baidu a livré, et ce qu’il n’a pas dit

La sortie est discrète de la manière particulière dont le sont souvent les diffusions chinoises de modèles à poids ouverts : les artefacts arrivent avant le récit. Le dépôt baidu/ERNIE-5.5-Flash-Base a été créé sur Hugging Face le 21 octobre, est resté presque vide pendant une semaine, puis a reçu ses 128 fragments de poids FP8 entre le 2 et le 3 novembre. Les schémas d’architecture et de benchmark sont arrivés le 4 novembre, et la fiche elle-même était encore en cours de révision ce matin. La page de publication de Baidu elle-même est datée d’aujourd’hui, le 5 novembre, et la seule discussion qu’elle a suscitée en dehors de cette page est un fil de forum et une publication WeChat. Il n’y a pas de communiqué de presse, pas d’événement de lancement et pas de couverture médiatique à proprement parler.

Cela compte pour savoir à quoi vous pouvez et ne pouvez pas faire confiance. Ce que l’on peut savoir depuis le dépôt : l’architecture, le nombre de paramètres, un tableau complet de benchmarks du fournisseur avec un harnais explicitement nommé, des recettes de déploiement SGLang et vLLM fonctionnelles, le texte de la licence, et le fait qu’une version jumelle BF16 existe aux côtés de celle en FP8. Ce que l’on ne peut pas savoir : si Baidu compte le servir via une API — la grille tarifaire de Qianfan, mise à jour pour la dernière fois le 18 octobre, liste ERNIE 5.1, 5.0 et 4.5 Turbo, et aucune entrée ERNIE 5.5, quelle qu’elle soit — quel score obtient une version ajustée aux instructions, et si un évaluateur indépendant reproduira ne serait-ce qu’un seul chiffre du tableau de Baidu.

Les spécifications du magazine, pour mémoire : 280 B de paramètres au total avec 14 B actifs par token, pré-entraîné de zéro sur 33,5 T de tokens, 43 couches dont une est un FFN dense et 42 sont MoE, 512 experts routés avec un routage top-10 plus un expert partagé, et un vocabulaire de 201 216 tokens. La configuration publiée permet un contexte de 1 048 576 tokens, bien que l’entraînement n’ait jamais vu que 131 072 tokens. Il y a aussi une tête de prédiction multi-token de 0,36 B qui n’est comptée dans aucun des deux chiffres de paramètres.

Le contraste des spécifications, sur les dimensions qui décident réellement

• Ce que vous recevez — ERNIE-5.5-Flash-Base est un checkpoint et rien d'autre : des poids que vous téléchargez, un point de terminaison /v1/completions, et aucun comportement de suivi d'instructions. Qwen 3.8 Flash est un modèle servi avec appel d'outils, mode raisonnement, sorties structurées et une réponse maximale de 131 072 tokens.

• Taille — 280 B au total / 14 B actifs pour ERNIE, contre 125 B au total / environ 6 B actifs pour Qwen 3.8 Flash, qui embarque aussi une table d’embedding n-gram de 51 B et une tête MTP d’environ 4 B, soit environ 180 B de paramètres sur disque.

• Architecture de l'attention — ERNIE utilise 43 couches réparties en 37 couches d'attention fortement compressée (HCA) plus 6 couches MLA à attention creuse ; Qwen 3.8 Flash utilise un hybride Gated DeltaNet + Qwen Sparse Attention sur 48 couches. Les deux parient que l'attention complète classique n'est pas ce qu'il faut payer au niveau de prix des modèles Flash, et ils font ce pari depuis des directions opposées.

• Contexte — 1 M de tokens revendiqués des deux côtés, mais obtenus de manières différentes : ERNIE est entraîné à 128K et n'active le 1M qu'au moment du fine-tuning et de l'inférence, tandis que Qwen 3.8 Flash est nativement à 262K et atteint 1M grâce à l'extension YaRN.

• Modalité — ERNIE-5.5-Flash-Base est uniquement textuel, en anglais et en chinois. Qwen 3.8 Flash accepte le texte, les images et la vidéo, et son tableau de fournisseur inclut des résultats AndroidWorld, OSWorld 2.0, MathVision et LVBench qu'un modèle textuel uniquement ne peut pas produire.

• Les pondérations du côté Qwen — le Qwen 3.8 Flash de production est uniquement accessible via API, mais son homologue à pondérations ouvertes Qwen3.8-Flash-Next est publié sous la licence Qwen Community License 1.0, de sorte que les deux côtés sont plus comparables que ne le suggère d’emblée l’opposition entre API et pondérations.

• Déploiement — Baidu fournit une recette fonctionnelle : l’image lmsysorg/sglang:dev-ernie-55-flash avec --tp 4, ou vLLM 0.32.0 plus le plugin baidu/vLLM-ERNIE avec une taille de parallélisme de données de 4. Qwen 3.8 Flash n’a pas besoin de recette de déploiement car Alibaba le déploie pour vous.

• Prix — aucun prix publié par token pour ERNIE-5.5-Flash-Base nulle part, car il n'existe aucun endpoint hébergé à tarifer ; 0,15 $ en entrée / 0,47 $ en sortie par million de tokens pour Qwen 3.8 Flash, avec les lectures d'entrée mises en cache à 0,0184 $.

• Licence — le contrat de licence du modèle de base ERNIE 5.5 Flash v1.0, un accord personnalisé qui mérite d’être lu dans son intégralité avant de construire un produit dessus, face à la licence communautaire Qwen 1.0 du côté ouvert de Qwen.

Les lignes du benchmark qui semblent comparables alors qu’elles ne le sont pas

Voici le piège que tend cette comparaison. Les deux fournisseurs publient un score LiveCodeBench, et ces deux scores sont 40,1 et 91,9.

Ils ne mesurent pas la même chose, et l’écart entre eux n’est pas un écart de capacités. Le 40,1 de Baidu est un Pass@1, en one-shot, sur le checkpoint brut pré-entraîné — on demande au modèle de compléter des continuations de code sans qu’on lui ait jamais appris à suivre une instruction. Le 91,9 d’Alibaba est LiveCodeBench v6, une version de benchmark différente et plus récente, rapportée pour un modèle passé par un pipeline complet de post-entraînement. La paire GPQA pose le même problème : 60,2 pour ERNIE en correspondance exacte à cinq exemples sur un checkpoint de base, 91,7 pour Qwen sur GPQA Diamond après ajustement par instruction. Même la comparaison MMLU, 93,3 face à un modèle qui ne publie aucun MMLU, n’a rien à quoi se comparer.

Ce n’est une critique ni envers l’un ni envers l’autre modèle. C’est une affirmation sur ce à quoi sert une évaluation de modèle de base. Un 40,1 sur LiveCodeBench obtenu par un point de contrôle qui n’a jamais vu d’instruction dit à quel point la structure du code a été absorbée par le pré-entraînement, et c’est un chiffre raisonnable dans cette lecture. Il ne vous dit rien sur la façon dont les mêmes poids seraient notés après que quelqu’un les a affinés. Personne, y compris Baidu, n’a publié ce chiffre.

Le seul tableau qui puisse être pris au pied de la lettre est celui de Baidu lui-même, car ses quatre colonnes ont toutes été passées dans le même pipeline, avec les mêmes prompts et les mêmes réglages few-shot. Face à DeepSeek-V4-Flash-Base (284B-A13B), Hy3-preview-Base (295B-A21B) et MiMo-V2.5-Base (310B-A15B), ERNIE-5.5-Flash-Base obtient le meilleur résultat de sa ligne sur 24 des 30 benchmarks, notamment MMLU-Pro avec 78,4 contre 69,2, HumanEval+ avec 82,3 contre 69,5 et RepoQA avec 91,7 contre 81,0. Il perd ChineseSimpleQA face à DeepSeek, FullStackBench et le chain-of-thought de BBH face à Hy3, ainsi que HELMET-Rerank et InfiniteBench face à DeepSeek. Ce sont des chiffres produits par le fournisseur, sur un harnais choisi par le fournisseur, sans réplication indépendante — mais ils sont comparables entre eux, ce qui ne peut pas être dit de n’importe quel appariement entre fournisseurs dans cet article.

Combien coûte chaque itinéraire, avec le détail des calculs

Qwen 3.8 Flash est le modèle facile à tarifer. Prenons une charge de travail de support et d’extraction de 1 000 requêtes par jour, avec en moyenne 6 000 tokens d’entrée et 800 tokens de sortie : 6 M de tokens d’entrée et 0,8 M de tokens de sortie par jour, soit 180 M et 24 M sur un mois de 30 jours. À 0,15 $ et 0,47 $ par million, cela fait 27,00 $ plus 11,28 $ — 38,28 $ par mois, les lectures mises en cache à 0,0184 $ par million réduisant encore la part récurrente du prompt système.

ERNIE-5.5-Flash-Base n’a pas de ligne budgétaire équivalente, donc le seul modèle de coût honnête est le matériel. Le dépôt FP8 compte 128 fragments d’environ 2,25 Go chacun, soit environ 288 Go de poids ; son homologue BF16 double ce chiffre. La commande de lancement SGLang de Baidu elle-même le fragmente en quatre avec --tp 4, ce qui place environ 72 Go de poids sur chaque GPU avant même qu’un cache KV existe — exploitable sur une carte de 80 Go seulement si vous n’utilisez jamais la fenêtre de contexte, et confortable sur les cartes de classe H200. Louez quatre de ces cartes à un tarif intermédiaire de 2–3 $ par GPU-heure et le nœud coûte environ 5 800–8 600 $ par mois en fonctionnement continu, avant même d’avoir payé qui que ce soit pour le fine-tuner, l’évaluer ou maintenir la pile de service à jour.

Cela représente de l'ordre de 150 à 225 fois la facture d'API Qwen de l'exemple ci-dessus, et la comparaison est délibérément injuste dans un sens : les deux ne sont pas substituables tant que quelqu'un n'a pas post-entraîné le checkpoint ERNIE. L'intérêt de l'arithmétique n'est pas que l'auto-hébergement coûte cher — c'est que le coût fixe est réel et qu'il intervient avant que le modèle puisse répondre à une seule instruction, de sorte que le volume à partir duquel le fait de le posséder bat la location de quelque chose de fini est bien plus élevé qu'une comparaison par token ne le suggère.

C'est sur le contexte long que les deux conceptions convergent.

Les deux modèles revendiquent un million de tokens, et tous deux y parviennent en refusant d’accorder une attention complète à un million de positions. Les couches HCA d’ERNIE ne mettent en cache qu’une seule entrée par 128 tokens, si bien que 37 de ses 43 couches voient leur cache KV croître 128 fois plus lentement qu’une couche conventionnelle ; les six couches MLA conservent un accès à pleine résolution pour les tokens qui en ont besoin. L’hybride GDN-plus-QSA de Qwen fait le même type de compromis du côté de l’attention clairsemée, et ses 6B de paramètres actifs maintiennent un coût de calcul par token faible, indépendamment de ce que fait l’attention.

Pour un lecteur, la différence pratique ne réside pas dans le fait de savoir quelle conception est la plus ingénieuse — les deux sont crédibles — mais dans le fait que seule l’une des deux s’accompagne d’un prix pour utiliser réellement ce contexte. Un prompt d’un million de tokens sur Qwen 3.8 Flash se voit aujourd’hui associé à un chiffre. Sur ERNIE-5.5-Flash-Base, le même prompt comporte une estimation en heures-GPU et une question sans réponse sur le comportement d’un modèle de base à cette longueur sans réglage par instructions.

Qui devrait choisir lequel ?

Choisissez Qwen 3.8 Flash si vous avez besoin d’un modèle qui suit les instructions dès maintenant, si vos entrées comprennent des captures d’écran, des documents ou des vidéos, si vous voulez que la facture liée au contexte long soit le problème de planification de capacité de quelqu’un d’autre, et si 0,15 $/0,47 $ par million de jetons correspond à l’économie unitaire de ce que vous construisez. Il a deux mois, des trackers tiers l’ont repéré depuis son lancement, et les chiffres du fournisseur — SWE-bench Pro 62,5, GPQA Diamond 91,7, CoWorkBench 73,9 — sont des affirmations plutôt que des résultats vérifiés ; considérez-les donc comme une borne supérieure jusqu’à ce que votre propre évaluation dise le contraire.

Choisissez ERNIE-5.5-Flash-Base si vous disposez d’une capacité de post-entraînement et d’une raison de posséder le modèle plutôt que de le louer : un domaine dont vous ne pouvez pas envoyer les données à une API, une charge de travail chinois-anglais où CMMLU 90,0 et ChineseSimpleQA 73,0 sont les chiffres qui comptent pour vous, un programme de recherche en RL qui souhaite un point de départ 280B-A14B, ou un budget de latence qui justifie un nœud dédié à quatre GPU. Vous devez aussi être à l’aise avec le fait que la licence soit un accord Baidu personnalisé, et non Apache, et que le modèle ne fasse rien d’utile tant que votre équipe ne le rend pas utile.

N'en choisissez aucun, toutefois, si ce que vous voulez vraiment, c'est un modèle polyvalent éprouvé. Qwen 3.8 Flash est un produit fini sans score de référence indépendant, et ERNIE-5.5-Flash-Base est un modèle inachevé doté d'un tableau de référence fourni par l'éditeur. Ni l'un ni l'autre n'est le choix par défaut sûr que serait un modèle phare vieux de deux ans.

Mener l'expérience sans miser de feuille de route dessus

Le côté délicat de cette confrontation, c’est que l’on accède aux deux parties par des voies complètement différentes, et qu’une couche de routage n’aide que pour l’une d’elles. Qwen 3.8 Flash est disponible via OrcaRouter sous le nom qwen/qwen3.8-flash, au prix catalogue du fournisseur, avec 0 % de marge — les mêmes 0,15 $ et 0,47 $ facturés par le fournisseur, répercutés sans rien ajouter pour le saut. ERNIE-5.5-Flash-Base n’est pas quelque chose que nous servons : il s’agit d’une publication de poids, et aucun point de terminaison hébergé vers lequel router n’existe, ici ou ailleurs à notre connaissance.

Ce pour quoi un point de terminaison unique est réellement utile dans cette situation, c’est la partie qui vient après l’expérience. Le parcours réaliste pour un ERNIE 5.5 Flash est qu’une équipe post-entraîne le checkpoint de base, et la question devient alors de savoir si le modèle ajusté bat Qwen 3.8 Flash sur votre propre trafic. Avec les deux derrière une seule clé, il s’agit d’un changement de model-id plutôt que d’un second contrat et d’un second SDK, le DSL de routage peut répartir le trafic de production entre eux pendant que vous décidez, et la bascule automatique signifie qu’un gagnant non prouvé ne peut pas faire tomber toute la fonctionnalité lors de son premier jour difficile. La fusion de modèles vous offre la troisième option — un panel qui répond ensemble — qui est souvent le moyen le moins coûteux de découvrir si un nouveau réglage est réellement meilleur que le modèle en place ou simplement différent.

Qu’est-ce qui changerait cette réponse ?

Trois choses, dans l’ordre approximatif de leur probabilité. Un ERNIE 5.5 Flash affiné sur instructions ferait passer cette situation d’une inadéquation de catégorie à une véritable comparaison directe, et les chiffres de la version de base suggèrent qu’il serait compétitif — 82,3 sur HumanEval+ et 91,7 sur RepoQA à partir d’un point de contrôle non affiné constituent une solide position de départ. Une entrée ERNIE 5.5 sur la grille tarifaire de Qianfan donnerait au calcul d’auto-hébergement un point de comparaison et indiquerait si Baidu compte vendre ce modèle ou le distribuer gratuitement. Et un score tiers pour l’un ou l’autre modèle permettrait au lecteur de cesser de faire confiance aux tableaux des fournisseurs, situation dans laquelle cette paire est bloquée aujourd’hui : Qwen 3.8 Flash n’a aucun résultat de benchmark indépendant à son actif, et ERNIE-5.5-Flash-Base n’a aucune ligne sur le moindre classement neutre.

D’ici à ce que deux d’entre eux soient disponibles, « lequel est meilleur » n’est pas une question que quiconque a mesurée. Ce à quoi on peut répondre aujourd’hui est plus précis et plus utile : Qwen 3.8 Flash est un modèle que vous pouvez appeler, et ERNIE-5.5-Flash-Base est un modèle sur lequel vous pouvez bâtir. Ce sont des tâches différentes, et aucun tableau de benchmarks ne tranchera laquelle est la vôtre.