ERNIE 5.5 Flash Preview vuole il tuo compito più difficile: cosa dimostra davvero la build di undici ore

ERNIE 5.5 Flash Preview è stato reso disponibile come endpoint a pagamento sulla piattaforma Qianfan di Baidu il 10 novembre 2026, e il post ufficiale di lancio è arrivato l'11 novembre con un'unica dichiarazione di punta: affidagli i tuoi compiti più difficili. Quell'affermazione si fonda su un artefatto più di qualsiasi altro — un gioco in terza persona in Unreal Engine 5.8 realizzato in quella che Baidu descrive come un'unica attività di programmazione di undici ore — e su venti righe di benchmark che Baidu ha eseguito sui propri harness con giudici da essa selezionati. Né le undici ore né i venti numeri sono stati riprodotti al di fuori dell'azienda. La domanda interessante non è se la demo sia impressionante. È se una sessione agentica di undici ore sia persino la cosa giusta da misurare, e che cosa dice la scheda tecnica sulla fattura che pagheresti per una. Il catalogo contiene 228 modelli di 17 fornitori e non c'è alcuna voce ERNIE in un catalogo di 228 modelli di 17 fornitori quindi il gruppo di confronto è a una chiave di distanza, anche se il soggetto non lo è.

L'affermazione riguarda la durata, non la difficoltà.

Ogni post di lancio di un modello afferma che il modello è bravo nelle cose difficili. Questo definisce "difficile" in modo diverso: lo definisce come "lungo". La build del gioco, le scene 3D, i workspace con migliaia di file e il cortometraggio animato di 116 secondi sono tutti esercizi nel tenere insieme un piano attraverso ore di modifiche e chiamate agli strumenti, non nel rispondere a una domanda che un modello più piccolo sbaglierebbe.

Questa distinzione è importante perché le due proprietà si separano. Un modello può essere eccellente nel ragionamento a singolo turno e crollare alla quarta ora di un refactoring, quando il contesto è pieno dei suoi stessi errori precedenti e il piano deve essere rivisto anziché eseguito. Un modello può anche essere mediocre in un puzzle da risolvere al primo colpo e restare comunque la scelta giusta per una build notturna. Baidu scommette che ti importa della seconda cosa.

La frase più utile dell'intero post non è un benchmark. Si trova nella sezione dedicata allo sviluppo di videogiochi e descrive come il modello abbia lavorato senza poter vedere: poiché è solo testo e non può guardare lo schermo, ha convertito i bug individuati durante il playtesting — un personaggio che fluttua sopra il terreno, una direzione di corsa incoerente, una telecamera fuori posto — in test misurabili nel codice. È una descrizione schietta di una soluzione alternativa, e dice qualcosa che la scheda tecnica non dice. La competenza del modello sul lavoro visivo è delegata a strumenti che scrive da sé, il che significa che la qualità del risultato dipende dalla sua capacità di inventare un test verificabile per ciò che non riesce a vedere.

Cosa contiene effettivamente il reel

I quattro casi di studio meritano di essere elencati perché sono più specifici di quanto di solito non sia la comunicazione di lancio, e la specificità è ciò che li rende verificabili in linea di principio.

• Sviluppo di giochi — un gioco in terza persona per Unreal Engine 5.8 realizzato in un'unica attività di undici ore, unendo asset provenienti da diverse generazioni del motore in un unico progetto e scrivendo il gioco in C++; separatamente, quasi un centinaio di mini-giochi per dispositivi mobili generati a partire da documenti di progettazione attraverso Cocos, Unity, LayaAir, PixiJS e Canvas 2D, la maggior parte dei quali struttura le proprie regole come una simulazione deterministica, così che le partite dei bot e la ricerca nello spazio degli stati possano dimostrare che ogni livello è completabile.

• Modellazione 3D — un Boeing 747 e l'aeroporto di Pechino Daxing costruiti da due agenti tramite l'API Python di Blender, uno sull'aeroporto e uno sull'aereo, poi allineati in scala, illuminati, renderizzati fotogramma per fotogramma con Cycles e OptiX e montati con FFmpeg; il complesso templare di Hōryū-ji ricercato e assemblato passo dopo passo; una sequenza di previs di circa 2.100 oggetti e 1,82 milioni di triangoli distribuiti su quattro scene Blender; un motore W16, due torri di Shenzhen e un rover lunare modellati in FreeCAD tramite script Python.

• Lavoro intellettuale — un rapporto di ricerca di 20 pagine sui costi dell'energia elettrica dei centri dati, un'analisi di 24 pagine sulla guida autonoma basata su 4.169 rapporti federali sugli incidenti, una cartella di lavoro interattiva per la pianificazione patrimoniale con una simulazione Monte Carlo a 1.000 percorsi, e un brano orchestrale di 6 minuti e 34 secondi fornito come file WAV.

• Video — più di 150.000 ambienti di creazione e circa 5.300 minuti di video finito, con in primo piano un cortometraggio animato 2D di 116 secondi scritto in più di 10.000 righe di Python che fa muovere un unico pellicano parametrizzato attraverso 20 stili artistici.

Il dato di addestramento dietro la sezione sul lavoro intellettuale è il numero più grande del post: 300.000 workspace che contengono 10 milioni di file di riferimento in oltre 40 tipi di file. È un'affermazione su ciò a cui il modello è stato addestrato a sopravvivere, ed è la parte dell'argomentazione che una tabella di benchmark non può in alcun modo rendere.

Le venti righe, lette per ciò che dicono sui lunghi tratti

L'appendice è un'unica immagine, il che significa che i numeri non possono essere copiati, ordinati o confrontati con un foglio di calcolo. Leggendo da quell'immagine, la colonna ERNIE si presenta come segue, tutti dichiarati dal fornitore e non riprodotti:

• Programmazione agentica: Terminal-Bench 4.0 a 46,5, DeepSWE v1.1 a 71,2, ProgramBench (quasi risolto) a 29,5, NL2Repo-Bench a 64,8, Terminal-Bench-Science 0.1 a 21,0.

• Uso del computer e automazione — CookieBench a 88,2, AutomationBench a 61,9, APEX-Agents 1.1 a 64,2, DRACO a 84,9.

• Lavoro intellettuale — SpreadsheetBench V2 a 36,4, OfficeQA Pro V2 a 67,9, Agents' Last Exam (CLI) a 29,0, SkillsBench 1.1 solo testo a 73,5.

• Agenti generici e uso degli strumenti — Toolathlon-Verified a 79,0, MCP-Atlas a 84,6, BrowseComp a 87,4.

• Ragionamento — HLE senza strumenti a 46.4, AA-Omniscience-Public a 25.2, AA-LCR v1.1 a 79.0.

• 3D — BlenderWorld solo testo a 79.0.

La tabella è molto più utile se letta come una mappa di ciò che ancora fallisce che come un tabellone segnapunti. Quattro righe si collocano sotto 40: ProgramBench a 29,5, Agents' Last Exam sulla riga di comando a 29,0, AA-Omniscience-Public a 25,2 e Terminal-Bench-Science a 21,0. Non sono benchmark facili. Agents' Last Exam è progettato per essere vicino alla frontiera di ciò che un agente può completare autonomamente; Omniscience penalizza le risposte sbagliate date con sicurezza; Terminal-Bench-Science testa attività di livello laboratoriale in cui una procedura dall'aspetto plausibile non vale nulla. Un modello che punta al tuo compito più difficile e ottiene 21,0 sulla variante scientifica del benchmark agentico più difficile ti sta dicendo dove si trova attualmente il tetto. SpreadsheetBench V2 a 36,4 dice qualcosa di simile specificamente sul lavoro con i fogli di calcolo, il che stride un po' accanto alla cartella di lavoro Monte Carlo a 1.000 percorsi del post di lancio.

Le righe sopra 80 sono altrettanto informative per un motivo diverso. BrowseComp a 87,4, MCP-Atlas a 84,6, CookieBench a 88,2 e DRACO a 84,9 sono tutti compiti in cui il modello viene valutato su uno stato finale completato e verificabile anziché su una risposta. Quel pattern — forte sul completamento verificabile, debole sul giudizio scientifico aperto — è esattamente ciò che ci si aspetterebbe da un modello addestrato su 300.000 workspace pieni di file che o si compilano o no.

L'onestà sta nelle note a piè di pagina. Ogni benchmark è stato eseguito su un harness denominato, con Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 e qualcosa abbreviato in DSH tutti presenti, e i modelli giudice sono Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 e Gemini 3.1 Flash-Lite. Una nota a piè di pagina ammette che GLM-5.3 e questo modello non dispongono di capacità multimodale nativa e che la comprensione delle immagini era fornita tramite uno strumento basato su Claude Opus 5.5. Almeno alcune delle righe dipendenti dalla visione misurano quindi un harness in cui ERNIE 5.5 Flash Preview chiama il modello di un concorrente per guardare le cose. È una scelta ingegneristica legittima e una cosa strana da trovare in una classifica.

Le due righe con prefisso AA richiedono un'avvertenza a parte. AA-Omniscience-Public e AA-LCR v1.1 sono benchmark pubblicati da Artificial Analysis, l'organizzazione indipendente di monitoraggio, ma queste sono esecuzioni di Baidu. Al 11 novembre non esiste alcuna riga ERNIE 5.5 nella classifica di Artificial Analysis, quindi non c'è un numero indipendente da confrontare con nessuna delle due celle.

Quanto costerebbe una corsa di undici ore, e cosa Baidu non ha detto

La documentazione dell'endpoint è la parte di questa release che trasforma una demo in una decisione ingegneristica. Qianfan elenca ERNIE 5.5 Flash Preview a $0.28 per milione di token di input e $1.13 per milione di output, con letture in cache a $0.028, una finestra di contesto di 1.024.000 token, un tetto di output di 921.600 token e un ragionamento sempre attivo a un unico livello di impegno elevato, senza alcun modo di disattivarlo.

Quel tetto di output è la ragione meccanica per cui una lunga singola esecuzione è persino concepibile: il modello può emettere quasi tanti token quanti ne contiene l'intera sua finestra di contesto. È anche la ragione per cui il conto non è ovvio. Il prompting è prezzato a un quarto della tariffa di output, ma tutto ciò che il modello pensa viene fatturato alla tariffa di output, e un modello che non riesce a smettere di pensare è un modello il cui costo per attività è dominato da token che nessuno legge.

Fai il calcolo su una singola chiamata massimale, che è il caso più favorevole disponibile. Riempire la finestra da 1.024.000 token costa circa $0,29 alla tariffa di input. Generare l'intero tetto di output di 921.600 token costa circa $1,04. Sono circa $1,33 per una singola chiamata che esaurisce entrambi i limiti. La build Unreal di undici ore molto plausibilmente non lo ha fatto, e il post di lancio non dice quanti token ha consumato, quante chiamate separate ha richiesto né quanto è costata. Finché qualcuno non misura i token di output per attività completata sul proprio carico di lavoro, qualsiasi affermazione sul fatto che questo modello sia economico o costoso su lavori difficili è un confronto di listini tariffari anziché un confronto di risultati.

Due cose che la release ti deve ancora

Il post si chiude definendo ERNIE 5.5 Flash Preview "un checkpoint intermedio del post-addestramento", ammettendo che l'addestramento non è concluso e che alcune capacità potrebbero ancora essere carenti. Promette inoltre che i pesi saranno resi open source con licenza Apache 2.0 a breve, senza indicare una data, e all'11 novembre non esiste alcun repository di anteprima su Hugging Face: gli unici artefatti di ERNIE 5.5 pubblicati lì sono il checkpoint base e la sua variante BF16. Non c'è alcuna scheda modello, alcuna data limite delle conoscenze e alcun dato sulla latenza in tutta la pubblicazione.

Quindi il riepilogo onesto di «affidagli il tuo compito più difficile» è più ristretto dello slogan. ERNIE 5.5 Flash Preview è un modello solo testo con un contesto molto ampio, un tetto di output insolitamente elevato, uno storico solido sui compiti che si concludono con un artefatto di build, uno storico debole sui compiti che si concludono con un giudizio scientifico e zero verifiche indipendenti. È un profilo reale e specifico. Ed è anche un profilo che probabilmente un secondo checkpoint sovrascriverà.

Come testare quel profilo senza puntare su un percorso

Baidu fornisce questo modello tramite la propria API Qianfan e tramite piattaforme di terze parti che lo rivendono. OrcaRouter non instrada ERNIE 5.5 Flash Preview — non esiste alcuna voce ERNIE in un catalogo di 228 modelli provenienti da 17 fornitori e nessun endpoint Baidu dietro di esso — quindi nulla di quanto qui riportato deve essere interpretato come un'offerta di servirlo.

Ciò per cui il catalogo è utile in questa situazione è l'altra metà dell'esperimento. I modelli rispetto ai quali questo viene misurato sono accessibili tramite una sola chiave al prezzo di listino del provider, senza ricarichi, il che significa che puoi eseguire gli stessi compiti difficili con essi e confrontare i tassi di completamento anziché i punteggi pubblicati. Il failover automatico svolge il secondo compito: un'anteprima senza storico di uptime non deve mai essere l'unica cosa a sostenere un percorso di richiesta, perché un fallback instradato può prendere in carico la chiamata quando si blocca alla terza ora.

La valutazione che vale la pena eseguire questa settimana è piccola. Prendi dieci dei tuoi task per agenti a lungo orizzonte — quelli che normalmente non affideresti a una singola esecuzione senza supervisione — e fai passare ciascuno attraverso ERNIE 5.5 Flash Preview e attraverso due modelli di cui ti fidi già. Registra se è terminato, quanti token di output ha consumato e quanto è costato. Questo produce i due numeri che Baidu ha omesso: token per task e costo per task completato. Tutto il resto nel post di lancio, incluso il 46,5 e incluse le undici ore, è l'harness di qualcun altro su una macchina di qualcun altro.

Ciò che risolverebbe la questione non è un altro reel dimostrativo. È una data per il rilascio Apache 2.0, una model card con un knowledge cutoff, una riga di Artificial Analysis prodotta da Artificial Analysis e un secondo checkpoint i cui numeri si possano confrontare con questo. Baidu ha pubblicato la storia che avrebbe dovuto pubblicare insieme all'endpoint. La prossima cosa che deve alle persone appena invitate ad affidargli i loro compiti più difficili è l'artefatto che permetta loro di smettere di prendere per buona la sua parola su come sono andati i più difficili.