ERNIE 5.5 Flash Preview רוצה את המשימה הקשה ביותר שלך: מה שהבנייה בת אחת עשרה שעות באמת מוכיחה
- GoogleחדשGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 לכל 1M טוקנים · 202 tok/s
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 99 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-0727 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 120 tok/s
- OrcaחדשOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 229 tok/s
- OrcaחדשOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 לכל 1M טוקנים · 42 tok/s
- OrcaחדשOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 128 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 98 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 127 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 106 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 65 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 392 tok/s
ERNIE 5.5 Flash Preview עלה לאוויר כנקודת קצה בתשלום בפלטפורמת Qianfan של Baidu ב-10 בנובמבר 2026, ופוסט ההשקה הרשמי הגיע ב-11 בנובמבר עם טענת כותרת אחת: תנו לו את המשימות הקשות ביותר שלכם. הטענה הזו נשענת על ארטיפקט אחד יותר מכל דבר אחר — משחק Unreal Engine 5.8 בגוף שלישי שנבנה במה ש-Baidu מתארת כמשימת קידוד אחת של אחת-עשרה שעות — ועל עשרים שורות בנצ'מרק ש-Baidu הריצה על מערכות ההרצה שלה עם שופטים שהיא בחרה. לא אחת-עשרה השעות ולא עשרים המספרים שוחזרו מחוץ לחברה. השאלה המעניינת אינה אם הדמו מרשים. היא אם ריצת סוכן בת אחת-עשרה שעות היא בכלל הדבר הנכון למדוד, ומה גיליון המפרט אומר על החשבון שתשלמו עבור ריצה אחת. הקטלוג מכיל 228 מודלים מ-17 ספקים ו-אין רשומת ERNIE בקטלוג של 228 מודלים מ-17 ספקים כך שקבוצת ההשוואה נמצאת במרחק מפתח אחד, אף שהנושא עצמו אינו.
הטענה עוסקת במשך, לא בקושי
כל פוסט של השקת מודל אומר שהמודל טוב בדברים קשים. זה מגדיר את "קשה" אחרת: הוא מגדיר אותו כאורך. בניית המשחק, הסצנות התלת-ממדיות, סביבות העבודה עם אלפי קבצים והסרט הקצר המונפש באורך 116 שניות הם כולם תרגולים בשמירה על תוכנית מלוכדת לאורך שעות של עריכות וקריאות לכלים, ולא במתן תשובה לשאלה שמודל קטן יותר היה טועה בה.
ההבחנה הזו חשובה מפני ששתי התכונות נפרדות זו מזו. מודל יכול להיות מצוין בהיסק חד-סבבי ולקרוס בשעה הרביעית של ריפקטור, כשההקשר מלא בטעויות הקודמות של עצמו והתוכנית זקוקה לעדכון ולא לביצוע. מודל יכול גם להיות בינוני בפאזל חד-פעמי ועדיין להיות הבחירה הנכונה לבנייה שמתפרסת על פני הלילה. Baidu מהמרת שאכפת לכם מהדבר השני.
המשפט השימושי ביותר בכל הפוסט אינו מדד ביצועים. הוא נמצא בקטע העוסק בפיתוח משחקים, ומתאר כיצד המודל פעל בלי יכולת לראות: מכיוון שהוא טקסטואלי בלבד ואינו יכול להביט במסך, הוא המיר באגים שזוהו בבדיקות משחק — דמות מרחפת מעל הקרקע, כיוון ריצה לא עקבי, מצלמה במקום שגוי — לבדיקות מדידות בקוד. זהו תיאור כן של פתרון עוקף, והוא מספר לך משהו שגיליון המפרט אינו מספר. המיומנות של המודל בעבודה חזותית מואצלת לכלים שהוא כותב בעצמו, כלומר איכות התוצאה תלויה בשאלה אם הוא מסוגל להמציא בדיקה ניתנת לאימות עבור הדבר שהוא אינו יכול לראות.
מה שהריל באמת מכיל
ארבעת מקרי הבוחן ראויים לציון משום שהם ספציפיים יותר מכפי שקופי השקה בדרך כלל מגיע, והספציפיות היא מה שהופך אותם לניתנים לבדיקה באופן עקרוני.
• פיתוח משחקים — משחק בגוף שלישי ב-Unreal Engine 5.8 שנבנה במשימה אחת בת אחת-עשרה שעות, תוך מיזוג נכסים מכמה דורות של מנוע לפרויקט יחיד וכתיבת המשחק ב-C++; בנפרד, כמעט מאה מיני-משחקים למובייל שנוצרו ממסמכי עיצוב ב-Cocos, Unity, LayaAir, PixiJS ו-Canvas 2D, שרובם מארגנים את חוקיהם כסימולציה דטרמיניסטית כך שמעברי משחק של בוטים וחיפוש במרחב המצבים יוכלו להוכיח שכל שלב ניתן להשלמה.
• דוגמנות תלת-ממד — בואינג 747 ונמל התעופה בייג'ינג דאשינג, שנבנו על ידי שני סוכנים דרך ה-API של Blender Python, אחד על נמל התעופה ואחד על המטוס, ואז הותאמו בקנה מידה, הוארו, רונדרו פריים-אפריים עם Cycles ו-OptiX ונחתכו עם FFmpeg; מתחם המקדש Hōryū-ji נחקר והורכב שלב אחר שלב; רצף פרה-ויז' של כ-2,100 אובייקטים ו-1.82 מיליון משולשים בארבע סצנות Blender; מנוע W16, שני מגדלי שנג'ן ורובר ירחי שעוצבו ב-FreeCAD באמצעות סקריפטים של Python.
• עבודת ידע — דוח מחקר בן 20 עמודים על עלויות החשמל של מרכזי נתונים, ניתוח נהיגה אוטונומית בן 24 עמודים המבוסס על 4,169 דוחות תאונות פדרליים, חוברת עבודה אינטראקטיבית לתכנון הון עם סימולציית מונטה קרלו בעלת 1,000 מסלולים, ויצירה תזמורתית באורך 6 דקות ו-34 שניות המוגשת כקובץ WAV.
• וידאו — יותר מ-150,000 סביבות יצירה וכ-5,300 דקות של וידאו מוגמר, ובראשו סרט אנימציה דו-ממדי קצר באורך 116 שניות שנכתב ביותר מ-10,000 שורות של Python ומעביר שקנאי יחיד עם פרמטרים בין 20 סגנונות אמנות.
הנתון העוסק באימון שמאחורי הקטע על עבודת ידע הוא המספר הגדול ביותר בפוסט: 300,000 סביבות עבודה שמחזיקות 10 מיליון קבצי עזר ביותר מ-40 סוגי קבצים. זו הצהרה על מה שהמודל אומן לשרוד, וזה החלק בטיעון שטבלת בנצ׳מרק כלל אינה יכולה להעביר.
עשרים השורות, שיש לקרוא אותן לפי מה שהן אומרות על ריצות ארוכות
הנספח הוא תמונה בודדת, כלומר לא ניתן להעתיק את המספרים, למיין אותם או לבדוק אותם מול גיליון אלקטרוני. כפי שנקרא מהתמונה הזו, עמודת ERNIE נראית כך, הכול מדווח על ידי הספק ולא משוחזר:
• קידוד אגנטי — Terminal-Bench 4.0 ב-46.5, DeepSWE v1.1 ב-71.2, ProgramBench (כמעט נפתר) ב-29.5, NL2Repo-Bench ב-64.8, Terminal-Bench-Science 0.1 ב-21.0.
• שימוש במחשב ואוטומציה — CookieBench ב-88.2, AutomationBench ב-61.9, APEX-Agents 1.1 ב-64.2, DRACO ב-84.9.
• עבודת ידע — SpreadsheetBench V2 ב-36.4, OfficeQA Pro V2 ב-67.9, Agents' Last Exam (CLI) ב-29.0, SkillsBench 1.1 במצב טקסט בלבד ב-73.5.
• סוכנים כלליים ושימוש בכלים — Toolathlon-Verified ב-79.0, MCP-Atlas ב-84.6, BrowseComp ב-87.4.
• חשיבה — HLE ללא כלים ב-46.4, AA-Omniscience-Public ב-25.2, AA-LCR v1.1 ב-79.0.
• 3D — BlenderWorld טקסט בלבד ב-79.0.
הרבה יותר שימושי לקרוא את הטבלה כמפה של מה שעדיין נכשל מאשר כלוח תוצאות. ארבע שורות נמצאות מתחת ל-40: ProgramBench ב־29.5, Agents' Last Exam בשורת הפקודה ב־29.0, AA-Omniscience-Public ב־25.2 ו-Terminal-Bench-Science ב־21.0. אלה לא בנצ'מרקים סלחניים. Agents' Last Exam תוכנן להיות סמוך לחזית של מה שסוכן יכול להשלים באופן אוטונומי; Omniscience מעניש תשובות שגויות שנאמרות בביטחון; Terminal-Bench-Science בודק משימות ברמת מעבדה, שבהן הליך שנראה סביר חסר ערך. מודל שמבקש את המשימה הקשה ביותר שלך ומקבל 21.0 בגרסת המדע של הבנצ'מרק הסוכני הקשה ביותר אומר לך היכן נמצאת כרגע התקרה. SpreadsheetBench V2 ב־36.4 אומר משהו דומה ספציפית לגבי עבודה עם גיליונות אלקטרוניים, מה שיושב שלא בנוח לצד חוברת העבודה של מונטה קרלו עם 1,000 נתיבים מהפוסט של ההשקה.
השורות שמעל 80 אינפורמטיביות באותה מידה מסיבה אחרת. BrowseComp ב-87.4, MCP-Atlas ב-84.6, CookieBench ב-88.2 ו-DRACO ב-84.9 הם כולם משימות שבהן המודל מדורג לפי מצב סיום מושלם וניתן לבדיקה ולא לפי תשובה. הדפוס הזה — חזק בהשלמה ניתנת לאימות, חלש בשיקול מדעי פתוח — הוא בדיוק מה שהייתם מצפים ממודל שאומן על 300,000 סביבות עבודה מלאות קבצים שבנו או לא בנו.
ההערות השוליים נושאות את הכנות. כל בנצ'מרק הורץ על גבי הרנס בעל שם, כאשר Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 ומשהו שמקוצר ל-DSH כולם מופיעים, ומודלי השיפוט הם Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 ו-Gemini 3.1 Flash-Lite. הערת שוליים אחת מודה של-GLM-5.3 ולמודל הזה אין יכולת מולטימודלית מקורית, ושהבנת תמונות סופקה באמצעות כלי שמופעל על ידי Claude Opus 5.5. לכן לפחות חלק מהשורות התלויות בראייה מודדות הרנס שבו ERNIE 5.5 Flash Preview קורא למודל של מתחרה כדי להסתכל על דברים. זו בחירה הנדסית לגיטימית, ודבר מוזר למצוא בלוח תוצאות.
לשתי השורות עם הקידומת AA נדרשת הסתייגות משלהן. AA-Omniscience-Public ו-AA-LCR v1.1 הם מדדים שפורסמו על ידי Artificial Analysis, העוקב העצמאי, אך אלו הם הרצות של Baidu שלהם. נכון ל-11 בנובמבר אין שורה של ERNIE 5.5 בלוח המובילים של Artificial Analysis, ולכן אין מספר עצמאי להעמיד מול אף אחד משני התאים.
מה תעלה ריצה של אחת עשרה שעות, ומה Baidu לא אמרה
תיעוד נקודת הקצה הוא החלק במהדורה הזו שהופך הדגמה להחלטה הנדסית. Qianfan מפרט את ERNIE 5.5 Flash Preview במחיר של $0.28 למיליון אסימוני קלט ו-$1.13 למיליון פלט, עם קריאות ממטמון ב-$0.028, חלון הקשר של 1,024,000 אסימונים, תקרת פלט של 921,600 אסימונים, וחשיבה שתמיד פעילה ברמת מאמץ גבוהה אחת ללא דרך לכבות אותה.
תקרת הפלט הזו היא הסיבה המכנית לכך שריצה בודדת ארוכה היא בכלל אפשרית: המודל יכול להפיק כמעט אותו מספר טוקנים כמו זה שנכנס לחלון ההקשר כולו. היא גם הסיבה לכך שהחשבון אינו ברור מאליו. תמחור הפרומפט הוא ברבע מתעריף הפלט, אבל כל מה שהמודל חושב מחויב בתעריף הפלט, ומודל שאינו מצליח להפסיק לחשוב הוא מודל שעלותו למשימה נשלטת על ידי טוקנים שאיש אינו קורא.
בצעו את החשבון עבור קריאה בודדת מקסימלית, שהיא המקרה המיטבי הזמין. מילוי חלון ה-1,024,000 טוקנים עולה כ-0.29 דולר לפי תעריף הקלט. פליטת תקרת הפלט המלאה של 921,600 טוקנים עולה כ-1.04 דולר. זה בערך 1.33 דולר לקריאה אחת שממצה את שתי המגבלות. סביר מאוד שהבנייה של Unreal שנמשכה אחת-עשרה שעות לא עשתה זאת, ופוסט ההשקה אינו אומר כמה טוקנים היא צרכה, כמה קריאות נפרדות נדרשו לה, או כמה היא עלתה. עד שמישהו ימדוד טוקני פלט לכל משימה שהושלמה בעומס העבודה שלו, כל טענה שהמודל הזה זול או יקר בעבודה קשה היא השוואה של מחירונים ולא השוואה של תוצאות.
שני דברים שהשחרור עדיין חייב לך
הפוסט מסתיים בכך שהוא מכנה את ERNIE 5.5 Flash Preview "נקודת ביניים מתהליך ה-post-training", תוך הודאה שהאימון לא הושלם ושכמה יכולותอาจ עדיין לא לעמוד בציפיות. הוא גם מבטיח שהמשקולות יפורסמו בקוד פתוח תחת Apache 2.0 בקרוב, בלי תאריך, ונכון ל-11 בנובמבר אין מאגר preview ב-Hugging Face — חפצי ERNIE 5.5 היחידים שפורסמו שם הם צ'קפוינט הבסיס וגרסת ה-BF16 שלו. אין כרטיס מודל, אין תאריך cutoff לידע, ואין נתון השהיה בשום מקום בפרסום.
אז הסיכום הכנה של "תן לו את המשימה הקשה ביותר שלך" צר יותר מהסלוגן. ERNIE 5.5 Flash Preview הוא מודל טקסט בלבד עם הקשר גדול מאוד, מכסת פלט גדולה באופן יוצא דופן, רקורד חזק במשימות שמסתיימות בתוצר בנייה, רקורד חלש במשימות שמסתיימות בשיפוט מדעי, ואפס אימות עצמאי. זהו פרופיל אמיתי וספציפי. הוא גם כזה שצ'קפוינט שני כנראה ידרוס.
איך לבדוק את הפרופיל הזה בלי להמר על נתיב לפיו
Baidu מספקת את המודל הזה דרך ה־API של Qianfan שלה ודרך פלטפורמות צד־שלישי שמשווקות אותו מחדש. OrcaRouter אינו מנתב את ERNIE 5.5 Flash Preview — אין רשומת ERNIE בקטלוג של 228 מודלים מ־17 ספקים, ואין מאחוריו נקודת קצה של Baidu — ולכן אין לקרוא בדברים כאן הצעה לספק אותו.
מה שהקטלוג טוב בו במצב הזה הוא החצי השני של הניסוי. המודלים שזה נמדד מולם הם נגישים דרך מפתח אחד במחיר המחירון של הספק ללא תוספת, מה שאומר שאפשר להריץ דרכם את אותן משימות קשות ולהשוות שיעורי השלמה ולא ציונים מפורסמים. מעבר אוטומטי לגיבוי ממלא את התפקיד השני: גרסת תצוגה מקדימה בלי היסטוריית זמינות לא צריכה להיות הדבר היחיד שמחזיק נתיב בקשה, כי גיבוי מנותב יכול לקבל את הקריאה כשהיא נתקעת בשעה השלישית.
ההערכה ששווה להריץ השבוע היא קטנה. קחו עשר ממשימות הסוכן שלכם בעלות אופק ארוך — אלו שבדרך כלל לא הייתם סומכים עליהן לריצה אחת ללא השגחה — והעבירו כל אחת דרך ERNIE 5.5 Flash Preview ודרך שני מודלים שאתם כבר סומכים עליהם. תעדו אם היא הסתיימה, כמה טוקני פלט היא שרפה, ומה עלותה. זה מפיק את שני המספרים שבאידו השאירו בחוץ: טוקנים לכל משימה ועלות לכל משימה שהושלמה. כל השאר בפוסט ההשקה, כולל ה-46.5 וכולל אחת-עשרה השעות, הוא הרנס של מישהו אחר על המכונה של מישהו אחר.
מה שיכריע את השאלה אינו עוד סרטון הדגמה. זהו תאריך לשחרור תחת Apache 2.0, כרטיס מודל עם תאריך חיתוך ידע, שורה ב-Artificial Analysis שהופקה בידי Artificial Analysis, וצ'ק-פוינט נוסף שאפשר להעמיד את מספריו מול זה שלפנינו. באידו פרסמה את הסיפור שהייתה צריכה לפרסם לצד נקודת הקצה. הדבר הבא שהיא חייבת לאנשים שהיא זה עתה הזמינה למסור לידיה את משימותיהם הקשות ביותר הוא התוצר שמאפשר להם להפסיק לקחת את דברה כמובן מאליו בשאלה כיצד התבררו הקשות שבהן.
