ERNIE 5.5 Flash Preview סוף סוף עם פוסט השקה, עשרים מבחני ביצועים והבטחה למשקלים

46.5 ב-Terminal-Bench 4.0 הוא הציון הראשון ש-Baidu פרסמה אי פעם עבור ERNIE 5.5 Flash Preview, והוא נרשם ב-11 בנובמבר 2026 — יום אחד אחרי שהמודל עצמו עלה לאוויר ב-Qianfan כנקודת קצה בתשלום עם מחירון וללא תיעוד כלל. פוסט ההשקה הנושא את המספר הזה הוא ההצהרה הרשמית הראשונה על המודל, והוא עונה על שלוש השאלות שנקודת הקצה לא יכלה: מהו (280 מיליארד פרמטרים בסך הכול עם 14 מיליארד פעילים, חלון הקשר של 1M טוקנים, לאחר אימון post-training על נקודת הביקורת ERNIE 5.5 Flash Base מ-5 בנובמבר), כיצד Baidu אומרת שהוא משתווה (עשרים שורות בנצ'מרק לצד GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 ומודל שמופיע רק בשם Hy4), והאם אי פעם תוכלו להריץ אותו בעצמכם (המשקולות "יופצו בקוד פתוח תחת Apache 2.0 בקרוב"). כל נתון בטבלה ההיא מדווח על ידי הספק, הופק על גבי מערכות ההערכה של Baidu עצמה עם מודלי שופט ש-Baidu בחרה, ושום דבר ממנו לא שוחזר מחוץ לחברה. קבוצת הבנצ'מרקים היא החלק בהשוואה הזו שאתם באמת יכולים לשלוט בו. מחיר מחירון של הספק עם 0% תוספת GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 ו-DeepSeek V4.1 Flash נמצאים על מפתח אחד במחיר המחירון של הספק, כאשר עמלת OrcaRouter מוצגת כ-$0.00.

מה באידו הציגה בעמוד

הפוסט בנוי כסרטון הדגמה עם נספח בנצ'מרק, וזה אומר לך מה באידו חושבת שהטיעון הוא. ארבעה מדורי יכולות — פיתוח משחקים, מודלים ותכנון תלת-ממדיים, עבודת ידע ויצירת וידאו — כל אחד נבנה מארטיפקטים שהמודל הפיק מקצה לקצה בתוך מעטפת סוכנים, עם נכסים וכלים חיצוניים שזוכים לקרדיט פריט אחר פריט. המפרט מופיע בפסקת הפתיחה ולא חוזר שוב: 280B בסך הכול, 14B פעילים, הקשר של 1M אסימונים, API ב-Qianfan, ומשקולות שהובטחו תחת Apache 2.0. אין כרטיס מודל, אין חתך ידע, אין נתון השהיה, אין תמחור, ואין הצהרה על כמה אסימוני חשיבה המודל מפיק לכל משימה.

שני משפטים בפוסט חשובים יותר מכל שאר הפוסט ביחד. הראשון נמצא בקטע העוסק בפיתוח משחקים, ומתאר את הפרויקט ב-Unreal Engine 5.8: "מכיוון שזהו מודל טקסט בלבד והוא אינו יכול לראות את המסך, הוא הפך בעיות שזוהו בבדיקות משחקיות, כמו דמות שמרחפת מעל הקרקע, כיוון ריצה לא עקבי ומצלמה במקום שגוי, לבדיקות מדידות בקוד." זהו תיאור גלוי באופן יוצא דופן של פתרון עקיף — המודל כתב בדיקות משום שלא יכול היה להסתכל על המשחק — וזו ההצהרה הבהירה ביותר עד כה לכך שמדובר במערכת קלט-טקסט ופלט-טקסט שהיכולת החזותית שלה מואצלת לכלי תוכנה.

השני הוא פסקת הסיום: ERNIE 5.5 Flash Preview "הוא צ'קפוינט ביניים משלב post-training. הוא כבר תחרותי מול מודלים בגודלו, אך מכיוון שהאימון לא הושלם, ייתכן שחלק מהיכולות עדיין יפגרו." פוסט השקה שאומר לך שההשקה לא הושלמה שווה יותר מכזה שלא, והוא ממסגר מחדש את כל מה שמעליו. אתה לא קורא הכרזה על מוצר. אתה קורא דוח התקדמות עם לוח תוצאות מצורף, שפורסם כדי שמשתמשים ידווחו בחזרה לפני ההשקה הרשמית.

עשרים שורות הבנצ'מרק, יש לקרוא בעיון

טבלת הנספח היא תמונה בודדת, וזה כשלעצמו רמז קטן: לא ניתן להעתיק את המספרים, למיין אותם או להצליב אותם עם גיליון אלקטרוני. בקריאה מהתמונה, עמודת ERNIE מופיעה כך, הכול מדווח על ידי Baidu 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.

• הסקה — HLE ללא כלים ב-46.4 עם סמן הערת שוליים, AA-Omniscience-Public ב-25.2, AA-LCR v1.1 ב-79.0.

• 3D — BlenderWorld טקסט בלבד ב־79.0, השורה היחידה שמתייחסת ישירות לטענות ה־CAD וה־Blender בגוף הטקסט.

הערות השוליים הן המקום שבו שוכנת הכנות, וכדאי לקרוא אותן לפני שמסתכלים על תא כלשהו. כל בנצ'מרק הורץ על גבי harness בעל שם — Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 ומשהו שמסומן בקיצור DSH — ומודלי השיפוט הם Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 ו-Gemini 3.1 Flash-Lite. הערת שוליים אחת מודה ש"ל-GLM-5.3 ולמודל שלנו חסרות יכולות מולטימודליות מקוריות; הבנת תמונות מסופקת באמצעות כלי המופעל על ידי Claude Opus 5.5." במילים אחרות, לפחות חלק מהבנצ'מרקים התלויים בראייה הושלמו על ידי ERNIE 5.5 Flash Preview שהפעיל כלי שקורא למודל של מתחרה. זו בחירה הנדסית לגיטימית ודבר ממש מוזר לגלות בלוח תוצאות, והיא אומרת שהשורות שכרוכות בהסתכלות על משהו מודדות את ה-harness כולו, לא את המודל לבדו.

שתי השורות הנושאות קידומת AA ראויות להסתייגות משלהן. ‏AA-Omniscience-Public ו-AA-LCR v1.1 הם מבחני בנצ'מרק שמפרסמת Artificial Analysis, חברת המעקב העצמאית — אבל אלה הרצות של Baidu שלהם, לא הרצות של Artificial Analysis. נכון ל-11 בנובמבר אין שורה של ERNIE 5.5 בלוח המובילים של Artificial Analysis, ולכן אין מספר עצמאי להעמיד מול אף אחד מהתאים.

סרטון ההדגמה הוא הטיעון עצמו

אם טבלת הבנצ'מרקים היא החלק שיצוטטו אותו, ארבעת מחקרי המקרה הם החלק שקשה לזייף, מפני שהם מתארים תוצרי עבודה ולא ציונים. הפרטים ספציפיים מספיק כדי שניתן יהיה לבדוק אותם באופן עקרוני, וקונקרטיים מספיק כדי להיות שימושיים כשאתם מחליטים למה להפנות את המודל הזה.

• פיתוח משחקים — משחק גוף שלישי ב-Unreal Engine 5.8 שנבנה במשימת קידוד אחת בת 11 שעות, תוך מיזוג נכסים מכמה דורות של מנוע לפרויקט אחד וכתיבת המשחק ב-C++; בנפרד, כמעט 100 מיני-משחקי מובייל שנוצרו ממסמכי עיצוב ב-Cocos, Unity, LayaAir, PixiJS ו-Canvas 2D, רובם מארגנים את החוקים כסימולציה דטרמיניסטית כך שמעברים של בוטים במשחק וחיפוש במרחב מצבים יוכלו לאמת שכל שלב ניתן למעבר.

• מידול תלת-ממד — מטוס Boeing 747 ונמל התעופה בייג'ינג דאשינג שנבנו בידי שני סוכנים דרך ה-API של Blender ל-Python, האחד על נמל התעופה והשני על המטוס, ואז הותאמו בקנה מידה, הוארו, רונדרו פריים אחר פריים עם Cycles ו-OptiX ונחתכו עם FFmpeg; מתחם המקדש הוריו-ג'י נחקר ונבנה שלב אחר שלב; רצף פרוויז של כ-2,100 אובייקטים ו-1.82 מיליון משולשים בארבע סצנות Blender; מנוע W16, שני מגדלים בשנזן ורובר ירחי שמודלו ב-FreeCAD באמצעות סקריפטים של Python.

• עבודת ידע — דו"ח 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 שנמסרה כקובץ WAV. סיפור האימון שמאחורי זה הוא המספר הגדול ביותר בפוסט: 300,000 סביבות עבודה המכילות 10 מיליון קובצי עזר על פני יותר מ-40 סוגי קבצים.

• 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.

מה שמשותף לדברים האלה הוא שאף אחד מהם אינו אינטראקציית צ'אט. כל אחד מהם הוא ריצה סוכנית ארוכה עם קריאות לכלים, והטענה הנטענת היא על סיבולת — האם המודל יכול להחזיק תוכנית לכודה לאורך שעות של עריכות. זה בדיוק המאפיין שטבלת בנצ'מרק בת עשרים שורות מודדת בצורה הגרועה ביותר, והסיבה שהפוסט פותח עם ארטיפקטים.

כאשר פוסט ההשקה ונקודת הקצה אינם מסכימים

המודל המתואר בפוסט והמודל המתואר בגיליון המפרט של Qianfan הם בבירור אותה מערכת, כפי שהיא נראית משתי מחלקות שלא תיאמו ביניהן. נקודת הקצה עלתה לאוויר ב-10 בנובמבר במחיר של $0.28 למיליון טוקני קלט ו-$1.13 למיליון פלט, עם קריאות מהמטמון ב-$0.028, חלון הקשר של 1,024,000 טוקנים, תקרת פלט של 921,600 טוקנים, חשיבה מחייבת ברמת מאמץ גבוהה יחידה, וללא כרטיס מודל. פוסט ההשקה, שפורסם יום לאחר מכן, מציין מחדש את חלון ההקשר, מתעלם לחלוטין מהמחיר, אינו אומר דבר על חשיבה מחייבת, ומספק מידע מיצובי בהיקף של כרטיס מודל בלי לספק את כרטיס המודל.

המשמעות המעשית היא ששני החצאים של הסיפור חייבים להיקרא יחד, או שלא להיקרא כלל. הפוסט אומר לכם שהמודל יכול להחזיק משימת קידוד של אחת־עשרה שעות; נקודת הקצה אומרת לכם שכל מה שהוא חושב מחויב לפי תעריף הפלט ושאי אפשר לכבות את החשיבה. ריצה שמבלה שעות באיטרציות היא ריצה שמוציאה מספר עצום של טוקני פלט, ובתעריף של 1.13 דולר למיליון, עלות סרטון ההדגמה היא שאלה שהפוסט כלל אינו מעלה. עד שמישהו ימדוד טוקני פלט לכל משימה שהושלמה על עומס העבודה שלו, כל השוואה בין המודל הזה למודל זול יותר היא השוואה של כרטיסי תעריפים.

מה עדיין חסר, וזה לא דבר קטן

שלוש היעדרויות מגדירות את מצבו הנוכחי של ERNIE 5.5 Flash Preview, וכל אחת מהן נפתרת בטווח זמן שונה.

• המשקלים. הפוסט מבטיח Apache 2.0 „בקרוב” אך אינו נוקב בתאריך, ונכון ל-11 בנובמבר אין מאגר תצוגה מקדימה ב-Hugging Face — חפצי ERNIE 5.5 היחידים שפורסמו שם הם ERNIE-5.5-Flash-Base וגרסת ה-BF16 שלו, שניהם נוצרו ב-21 באוקטובר. נקודת הבדיקה הבסיסית נשלחה תחת רישיון ERNIE 5.5 Flash Base, רישיון קהילתי מוגבל שמחריג את האיחוד האירופי, הממלכה המאוחדת ודרום קוריאה, מגביל שימוש מסחרי חינמי לפי הכנסה שנתית קשורה ודורש ייחוס "Powered by ERNIE". אם המשקלים של התצוגה המקדימה אכן יגיעו תחת Apache 2.0, זהו שינוי בתנאי הרישיון של המשפחה ועניין גדול בהרבה מכל שורת benchmark.

• הציון הבלתי־תלוי. שום דבר במהדורה הזו לא הורץ על ידי אף אחד מלבד Baidu. המבחנים עם AA בשמם הם אלה שכדאי לעקוב אחריהם, מפני ש-Artificial Analysis מריצה כלים משלה ותפרסם שורה ברת־השוואה אם וכאשר תוסיף את המודל; עד אז, עשרים התאים הם טענה, לא מדידה.

• המודל המוגמר. Baidu אומרת שהאימון-המשך עדיין בעיצומו ושהשחרור הרשמי ישפר את גרסת התצוגה המקדימה. זו הצהרה מפורשת שלמספרים של היום יש חיי מדף, והיא הופכת כל החלטה לבנות על נקודת הביקורת הזו להחלטה על מטרה נעה.

איך להעריך את זה בלי להמר על מסלול ייצור על סמך זה

הגישה מתבצעת דרך ה-API של Qianfan של Baidu עצמה, או דרך פלטפורמות צד שלישי שמוכרות אותו מחדש. OrcaRouter אינו מנתב את ERNIE 5.5 Flash Preview — אין רשומת ERNIE בקטלוג שלנו הכולל יותר מ-200 מודלים ואין נקודת קצה של Baidu מאחוריה, ולכן אין לפרש דבר כאן כהצעה לספק אותו.

מה שהקטלוג מועיל לו במצב הזה הוא הצד השני של השולחן: המודלים שנבחן מולם המודל הזה נגישים כולם דרך מפתח אחד תואם OpenAI במחיר המחירון של הספק עם 0% תוספת, מה שמאפשר לך להריץ בעצמך את אותן עשרים משימות דרך GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 ו-DeepSeek V4.1 Flash ולבדוק אם הסדר של Baidu שורד מפגש עם הפרומפטים שלך. מעבר אוטומטי לגיבוי ממלא את התפקיד השני — תצוגה מקדימה בלי היסטוריית זמינות לא חייבת להיות הדבר היחיד שמחזיק נתיב בקשה, כי גיבוי מנותב יכול לקחת את הקריאה כשהיא נתקעת.

ההערכה שכדאי להריץ השבוע היא מצומצמת וזולה. קח עשר ממשימות הסוכן שלך לטווח ארוך, הרץ כל אחת דרך התצוגה המקדימה ודרך שני מודלים שאתה כבר סומך עליהם, ורשום שלושה דברים לכל משימה: אם היא הסתיימה, כמה טוקני פלט היא שרפה, ומה עלותה. זה נותן לך את שני המספרים שביידו לא פרסמה — טוקנים למשימה ועלות למשימה שהושלמה — מול בסיס השוואה שבחרת בעצמך. כל השאר בפוסט ההכרזה, כולל 46.5, הוא מערך הרצה של מישהו אחר.

מה שיכריע את השאלה אינו דמו נוסף. זהו תאריך לשחרור תחת Apache 2.0, כרטיס מודל עם מועד חיתוך ידע וטבלת הערכה, שורה של Artificial Analysis שהופקה על ידי Artificial Analysis, וצ'קפוינט נוסף שאת המספרים שלו אפשר להשוות לזה. Baidu פרסמה כעת את הסיפור שהייתה צריכה לפרסם ב-10 בנובמבר. הדבר הבא שהיא חייבת למשתמשים שלה הוא הארטיפקט שמאפשר להם להפסיק להאמין לדבריה בנוגע ללוח התוצאות.