ERNIE 5.5 Flash Preview ha finalmente un post di lancio, venti benchmark e una promessa sui pesi

46,5 su Terminal-Bench 4.0 è il primo punteggio che Baidu abbia mai pubblicato per ERNIE 5.5 Flash Preview, ed è arrivato l'11 novembre 2026 — un giorno dopo che il modello stesso è stato reso disponibile su Qianfan come endpoint a pagamento, con un listino prezzi e nessuna documentazione. Il post di rilascio che riporta quel numero è la prima dichiarazione ufficiale sul modello e risponde alle tre domande a cui l'endpoint non poteva rispondere: che cos'è (280 miliardi di parametri totali con 14 miliardi attivi, un contesto da 1M di token, post-addestrato sul checkpoint ERNIE 5.5 Flash Base del 5 novembre), come secondo Baidu si confronta (venti righe di benchmark messe a confronto con GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 e un modello indicato solo come Hy4) e se potrai mai eseguirlo in autonomia (i pesi "saranno presto resi open source con licenza Apache 2.0"). Ogni cifra in quella tabella è dichiarata dal fornitore, prodotta sugli harness proprietari di Baidu con modelli giudice scelti da Baidu, e nulla di tutto ciò è stato riprodotto al di fuori dell'azienda. Il gruppo di benchmark è la parte di questo confronto che puoi effettivamente controllare. prezzo di listino del fornitore con 0% di markup GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 e DeepSeek V4.1 Flash sono accessibili con un'unica chiave al prezzo di listino del fornitore, con la commissione OrcaRouter indicata come $0.00.

Cosa ha messo Baidu sulla pagina

Il post è strutturato come una demo reel con un'appendice sui benchmark, il che dice cosa Baidu ritiene sia la tesi. Quattro sezioni dedicate alle capacità — sviluppo di giochi, modellazione e design 3D, lavoro intellettuale, creazione video — ciascuna costruita a partire da artefatti che il modello ha prodotto end-to-end all'interno di un agent harness, con asset e strumenti esterni accreditati uno per uno. La specifica compare nel paragrafo iniziale e non torna più: 280B totali, 14B attivi, contesto da 1M token, API su Qianfan, pesi promessi con licenza Apache 2.0. Non ci sono model card, né data di cutoff delle conoscenze, né dati sulla latenza, né prezzi, né dichiarazioni su quanti token di ragionamento il modello emette per attività.

Due frasi nel post contano più di tutto il resto messo insieme. La prima è nella sezione dedicata allo sviluppo del gioco, dove si descrive il progetto su Unreal Engine 5.8: «Poiché è un modello solo testuale e non può vedere lo schermo, ha trasformato problemi individuati durante il playtesting, come un personaggio sospeso sopra il terreno, una direzione di corsa incoerente e una telecamera posizionata male, in test misurabili nel codice». È una descrizione insolitamente schietta di una soluzione tampone — il modello ha scritto dei test perché non poteva guardare il gioco — ed è la dichiarazione più chiara finora che si tratta di un sistema testo-in, testo-out la cui competenza visiva è delegata agli strumenti.

Il secondo è il paragrafo conclusivo: ERNIE 5.5 Flash Preview «è un checkpoint intermedio del post-addestramento. È già competitivo con modelli delle sue dimensioni, ma poiché l'addestramento non è terminato, alcune capacità potrebbero ancora essere inferiori.» Un post di lancio che ti dice che il lancio non è finito vale più di uno che non lo fa, e ricontestualizza tutto quanto sopra. Non stai leggendo l'annuncio di un prodotto. Stai leggendo un rapporto sui progressi con annesso un tabellone, pubblicato affinché gli utenti forniscano riscontri prima della versione ufficiale.

Le venti righe di benchmark, lette attentamente

La tabella in appendice è un'unica immagine, il che è già un piccolo indizio: i numeri non possono essere copiati, ordinati o verificati rispetto a un foglio di calcolo. Letti dall'immagine, i valori della colonna ERNIE sono i seguenti, tutti riportati da Baidu e non replicati:

• 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 con un indicatore di nota a piè di pagina, AA-Omniscience-Public a 25,2, AA-LCR v1.1 a 79,0.

• 3D — BlenderWorld solo testo a 79.0, l'unica riga che parla direttamente alle affermazioni su CAD e Blender nel corpo.

Le note a piè di pagina sono il luogo in cui risiede l'onestà, e vale la pena leggerle prima di qualsiasi cella. Ogni benchmark è stato eseguito su un harness denominato — compaiono Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 e qualcosa abbreviato in DSH — e i modelli giudice sono Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 e Gemini 3.1 Flash-Lite. Una nota ammette che "GLM-5.3 e il nostro modello mancano di capacità multimodali native; la comprensione delle immagini è fornita tramite uno strumento basato su Claude Opus 5.5". In altre parole, almeno alcuni dei benchmark dipendenti dalla visione sono stati completati da ERNIE 5.5 Flash Preview che pilota uno strumento che chiama il modello di un concorrente. Si tratta di una scelta ingegneristica legittima e di una cosa davvero strana da scoprire in un tabellone dei punteggi, e significa che le righe che implicano guardare qualcosa misurano l'intero harness, non solo il modello.

Le due righe che riportano il prefisso AA meritano una precisazione a parte. AA-Omniscience-Public e AA-LCR v1.1 sono benchmark pubblicati da Artificial Analysis, l'osservatorio indipendente — ma si tratta di esecuzioni di Baidu, non di esecuzioni di Artificial Analysis. Al 11 novembre non esiste alcuna riga ERNIE 5.5 nella classifica di Artificial Analysis, quindi non c'è alcun numero indipendente da mettere a confronto con l'una o con l'altra cella.

Il demo reel è l'argomento concreto

Se la tabella dei benchmark è la parte che verrà citata, i quattro casi di studio sono la parte difficile da falsificare, perché descrivono prodotti del lavoro anziché punteggi. I dettagli sono sufficientemente specifici da poter essere verificati in linea di principio e sufficientemente concreti da essere utili quando devi decidere su cosa indirizzare questo modello.

• Sviluppo di videogiochi — un gioco in terza persona per Unreal Engine 5.8 realizzato in un’unica attività di programmazione di 11 ore, integrando asset provenienti da diverse generazioni del motore in un unico progetto e scrivendo il gioco in C++; separatamente, quasi 100 mini-giochi mobile generati da documenti di progettazione per Cocos, Unity, LayaAir, PixiJS e Canvas 2D, la maggior parte dei quali struttura le regole come una simulazione deterministica affinché le partite dei bot e la ricerca nello spazio degli stati possano verificare che ogni livello sia 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 abbinati per scala, illuminati, renderizzati fotogramma per fotogramma con Cycles e OptiX e montati con FFmpeg; il complesso templare di Hōryū-ji ricercato e costruito passo dopo passo; una sequenza di previs di circa 2.100 oggetti e 1,82 milioni di triangoli 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 elettrici 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 un Monte Carlo a 1.000 percorsi e un brano orchestrale di 6 minuti e 34 secondi fornito in formato WAV. La storia dell’addestramento dietro tutto questo è il numero più grande del post: 300.000 spazi di lavoro contenenti 10 milioni di file di riferimento in oltre 40 tipi di file.

• 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.

Ciò che hanno in comune è che nessuno di essi è un'interazione in chat. Ognuno è una lunga esecuzione agentica con chiamate agli strumenti, e l'affermazione che viene fatta riguarda la resistenza — se il modello riesce a mantenere un piano coerente attraverso ore di modifiche. È esattamente la proprietà che una tabella di benchmark da venti righe misura peggio, e il motivo per cui il post mette in apertura gli artefatti.

Dove il post di lancio e l'endpoint non concordano

Il modello descritto nel post e il modello descritto dalla scheda tecnica di Qianfan sono riconoscibilmente lo stesso sistema visto da due reparti che non si sono confrontati. L'endpoint è andato live il 10 novembre a 0,28 $ per milione di token di input e 1,13 $ per milione di token di output, con letture in cache a 0,028 $, un contesto di 1.024.000 token, un tetto di output di 921.600 token, ragionamento obbligatorio a un unico livello di sforzo elevato e nessuna scheda del modello. Il post di rilascio, pubblicato un giorno dopo, ribadisce la finestra di contesto, ignora del tutto il prezzo, non dice nulla sul ragionamento obbligatorio e fornisce un posizionamento pari a quello di una scheda del modello senza fornire la scheda del modello.

La conseguenza pratica è che le due metà della storia vanno lette insieme, o non vanno lette affatto. Il post ti dice che il modello può sostenere un compito di programmazione di undici ore; l'endpoint ti dice che tutto ciò che pensa viene fatturato alla tariffa di output e che non puoi disattivare il pensiero. Un'esecuzione che passa ore a iterare è un'esecuzione che emette un numero enorme di token di output e, a $1,13 per milione, il costo del filmato dimostrativo è una domanda che il post non solleva mai. Finché qualcuno non misura i token di output per attività completata sul proprio carico di lavoro, qualsiasi confronto tra questo modello e uno più economico è un confronto tra listini tariffari.

Cosa manca ancora, e non è poco

Tre assenze definiscono lo stato attuale di ERNIE 5.5 Flash Preview, e ciascuna si risolve su una scala temporale diversa.

• I pesi. Il post promette Apache 2.0 "a breve" ma non indica una data e, al 11 novembre, non esiste alcun repository di anteprima su Hugging Face: gli unici artefatti ERNIE 5.5 pubblicati lì sono ERNIE-5.5-Flash-Base e la sua variante BF16, entrambi creati il 21 ottobre. Il checkpoint base è stato distribuito con la licenza ERNIE 5.5 Flash Base, una licenza comunitaria limitata che esclude l'Unione europea, il Regno Unito e la Corea del Sud, subordina l'uso commerciale gratuito a una soglia di ricavi annuali correlati e richiede un'attribuzione "Powered by ERNIE". Se i pesi dell'anteprima arriveranno davvero con Apache 2.0, si tratterà di un cambiamento dei termini di licenza per la famiglia e di una questione molto più importante di qualsiasi riga di benchmark.

• Il punteggio indipendente. Niente in questa versione è stato eseguito da qualcuno che non sia Baidu. I benchmark con AA nel nome sono quelli da tenere d'occhio, perché Artificial Analysis esegue i propri sistemi di test e pubblicherà una riga comparabile se e quando aggiungerà il modello; fino ad allora le venti celle sono una dichiarazione, non una misurazione.

• Il modello finito. Baidu afferma che il post-addestramento è in corso e che il rilascio ufficiale migliorerà l'anteprima. Si tratta di un'affermazione esplicita che i numeri di oggi hanno una validità limitata nel tempo, e rende qualsiasi decisione di costruire su questo checkpoint una decisione su un bersaglio mobile.

Come valutarlo senza puntare su di esso un percorso di produzione

L'accesso avviene tramite l'API Qianfan di Baidu stessa, oppure tramite piattaforme di terze parti che la rivendono. OrcaRouter non instrada ERNIE 5.5 Flash Preview — non esiste alcuna voce ERNIE nel nostro catalogo di oltre 200 modelli e nessun endpoint Baidu dietro di essa, quindi nulla di quanto qui riportato deve essere interpretato come un'offerta per erogarlo.

Ciò per cui il catalogo è utile in questa situazione è l'altro lato del tavolo: i modelli rispetto ai quali questo viene sottoposto a benchmark sono tutti raggiungibili tramite una chiave compatibile con OpenAI al prezzo di listino del provider con 0% di ricarico, il che rende possibile eseguire tu stesso le stesse venti attività tramite GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 e DeepSeek V4.1 Flash e vedere se l'ordinamento di Baidu sopravvive al contatto con i tuoi prompt. Il failover automatico svolge il secondo compito — un'anteprima senza cronologia di uptime non deve mai essere l'unica cosa a sostenere un percorso di richiesta, perché un fallback instradato può assumere la chiamata quando si blocca.

Questa settimana la valutazione che vale la pena eseguire è ristretta e poco costosa. Prendi dieci delle tue attività di agenti con orizzonte lungo, esegui ciascuna tramite l'anteprima e tramite due modelli di cui ti fidi già, e registra tre cose per attività: se è terminata, quanti token di output ha consumato e quanto è costata. Questo ti dà i due numeri che Baidu non ha pubblicato — token per attività e costo per attività completata — rispetto a una baseline che hai scelto tu. Tutto il resto nel post di rilascio, incluso il 46.5, è l'harness di qualcun altro.

Ciò che risolverebbe la questione non è un'altra demo. È una data per il rilascio con Apache 2.0, una model card con una data limite delle conoscenze e una tabella di valutazione, una riga di Artificial Analysis prodotta da Artificial Analysis e un secondo checkpoint i cui numeri siano confrontabili con questi. Baidu ha ora pubblicato la storia che avrebbe dovuto pubblicare il 10 novembre. La prossima cosa che deve ai suoi utenti è l'artefatto che consente loro di smettere di dover credere sulla parola alla sua classifica.