ERNIE 5.5 Flash Previewについにローンチ記事が登場、20のベンチマークとモデル重み公開の約束

Terminal-Bench 4.0 における 46.5 は、Baidu が ERNIE 5.5 Flash Preview についてこれまでに公開した最初のスコアであり、それが登場したのは 2026年11月11日——モデル自体が Qianfan 上で、価格表はあるもののドキュメントが一切ない課金対象エンドポイントとして公開されてから1日後のことでした。その数値を載せたリリース投稿は、このモデルに関する最初の公式声明であり、エンドポイントでは答えられなかった3つの問いに答えるものです。すなわち、それが何か（総パラメータ数2,800億、アクティブ140億、100万トークンのコンテキスト、11月5日の ERNIE 5.5 Flash Base チェックポイントでポストトレーニング済み）、Baidu がどう比較しているか（GPT-6.1 Sol、Claude Opus 5.5、GLM-5.3、GLM-5.3-Flash、DeepSeek-V4.1-Flash-1017、および Hy4 とのみ記載されたモデルと並べた20行のベンチマーク）、そして自分で実行できるようになるのか（重みは「Apache 2.0 の下で間もなくオープンソース化される予定」）です。その表のすべての数値はベンダー報告によるもので、Baidu 自身のハーネス上で Baidu が選定したジャッジモデルを用いて生成されたものであり、そのいずれも社外で再現されていません。 ベンチマークグループは、この比較のうち実際に自分で制御できる部分です。 マークアップ0%のプロバイダー定価 GPT-6.1 Sol、Claude Opus 5.5、GLM-5.3、DeepSeek V4.1 Flash は1つのキーでプロバイダー定価のまま利用でき、OrcaRouter の手数料は $0.00 と表示されます。

Baiduがページに掲載したもの

この投稿は、ベンチマーク付録を添えたデモリールとして構成されており、それによってバイドゥが何を主張と考えているのかが分かる。4つの能力セクション——ゲーム開発、3Dモデリングとデザイン、ナレッジワーク、動画作成——はいずれも、エージェントハーネス内でモデルが端から端まで生成した成果物から構成され、外部アセットとツールには一つずつクレジットが付されている。仕様は冒頭段落に示されているきりで、その後は一切触れられない。総パラメータ280B、アクティブ14B、1Mトークンコンテキスト、Qianfan上のAPI、重みはApache 2.0での公開が約束されている。モデルカードも、知識カットオフも、レイテンシ値も、価格もなく、タスクごとにモデルが何トークンの推論を出力するかについての記述もない。

この投稿では、2つの文が残り全体を合わせた以上に重要だ。1つ目はゲーム開発のセクションにあり、Unreal Engine 5.8プロジェクトについてこう説明している。「テキスト専用のモデルで画面を見ることができないため、プレイテストで見つかった問題——キャラクターが地面の上に浮いている、走る方向が一貫しない、カメラの位置がずれている——を、コード内の測定可能なテストに変換した」。これは回避策について異例なほど率直な説明であり、モデルがゲームを見られなかったためにテストを書いたということだ。そして、これは視覚的な能力をツール側に委ねる、テキスト入力・テキスト出力のシステムであることをこれまでで最も明確に示している。

2つ目は締めくくりの段落です。ERNIE 5.5 Flash Previewは「ポストトレーニングからの途中経過のチェックポイントです。同サイズのモデルとすでに競争できるレベルにありますが、トレーニングが完了していないため、一部の能力はまだ不足する可能性があります」としています。ローンチが未完成だと伝えるローンチ投稿は、そうでない投稿よりも価値があり、その上にあるすべての内容の枠組みを変えます。あなたが読んでいるのは製品発表ではありません。公式リリース前にユーザーが報告を返すように公開された、スコアボード付きの進捗レポートです。

20個のベンチマーク行を注意深く読んでください。

付録の表は1枚の画像で、それ自体がちょっとした手がかりになっている。数字はコピーも並べ替えもできず、スプレッドシートと照合することもできない。画像から読み取ると、ERNIEの列は次のとおりで、すべてBaiduが報告したものであり、再現されていない：

• エージェント型コーディング — Terminal-Bench 4.0：46.5、DeepSWE v1.1：71.2、ProgramBench（Almost Solved）：29.5、NL2Repo-Bench：64.8、Terminal-Bench-Science 0.1：21.0。

• コンピュータ利用と自動化 — CookieBench は 88.2、AutomationBench は 61.9、APEX-Agents 1.1 は 64.2、DRACO は 84.9。

• ナレッジワーク — SpreadsheetBench V2 は 36.4、OfficeQA Pro V2 は 67.9、Agents' Last Exam（CLI）は 29.0、SkillsBench 1.1 のテキストのみは 73.5。

• 汎用エージェントとツール利用 — Toolathlon-Verified は 79.0、MCP-Atlas は 84.6、BrowseComp は 87.4。

• 推論 — ツールなしのHLEは脚注マーカー付きで46.4、AA-Omniscience-Publicは25.2、AA-LCR v1.1は79.0。

• 3D — BlenderWorld はテキストのみで79.0、本文中の CAD と Blender に関する主張に直接対応する唯一の行です。

脚注こそが正直さの宿る場所であり、どのセルよりも先に読む価値がある。各ベンチマークは名前の付いたハーネス上で実行され——Claude Code 2.1.x、mini-swe-agent 2.4.6、Codex 0.162.1、そしてDSHと略される何かがすべて登場する——判定モデルはQwen3.8-Max、DeepSeek-V4.1-Flash-1017、Gemini 3.1 Flash-Liteである。ある脚注は「GLM-5.3と我々のモデルにはネイティブなマルチモーダル能力がなく、画像理解はClaude Opus 5.5を搭載したツールを通じて提供される」と認めている。言い換えれば、少なくとも一部の視覚依存ベンチマークは、競合他社のモデルを呼び出すツールをERNIE 5.5 Flash Previewが駆動して完了したということだ。それは正当なエンジニアリング上の選択であり、スコアボードで発見するには本当に奇妙なことでもあり、そしてそれは、何かを見ることを伴う行がモデル単体ではなくハーネス全体を測っていることを意味する。

AAプレフィックスが付いた2行には、それぞれ固有の但し書きが必要だ。AA-Omniscience-PublicとAA-LCR v1.1は、独立系トラッカーであるArtificial Analysisが公開しているベンチマークだが、これらはBaiduによる実行結果であり、Artificial Analysisによる実行結果ではない。11月11日時点で、Artificial AnalysisのリーダーボードにERNIE 5.5の行はないため、どちらのセルにも突き合わせられる独立した数値は存在しない。

デモリールこそが実際の論拠だ

ベンチマーク表が引用される部分だとしても、4つのケーススタディは偽造が難しい部分です。なぜなら、それらはスコアではなく成果物を描写しているからです。その詳細は、原則として検証可能なほど具体的で、このモデルを何に使うかを決めるときに役立つだけの具体性を備えています。

• ゲーム開発 — 単一の11時間のコーディング作業で構築されたサードパーソンのUnreal Engine 5.8ゲーム。複数のエンジン世代のアセットを1つのプロジェクトに統合し、ゲームをC++で記述した。別途、Cocos、Unity、LayaAir、PixiJS、Canvas 2Dにまたがる設計書から生成された約100本のモバイルミニゲームがあり、そのほとんどは、ボットによるプレイスルーと状態空間探索によって各レベルがクリア可能であることを検証できるよう、ルールを決定論的シミュレーションとして構成している。

• 3Dモデリング — 2体のエージェントがBlender Python APIを通じてBoeing 747と北京大興空港を制作し、1体は空港を、もう1体は航空機を担当したうえでスケールを合わせ、ライティングを行い、CyclesとOptiXでフレームごとにレンダリングし、FFmpegで編集した。法隆寺伽藍を調査しながら段階的に構築した。4つのBlenderシーンにまたがる約2,100個のオブジェクトと182万三角形からなるプリビズシーケンス。W16エンジン、深センの2棟のタワー、月面ローバーをPythonスクリプトを通じてFreeCADでモデリングした。

• ナレッジワーク — データセンターの電力コストに関する20ページの調査レポート、4,169件の連邦事故報告に基づく24ページの自動運転分析、1,000パスのモンテカルロ法を備えたインタラクティブな資産計画ワークブック、そしてWAVで提供される6分34秒の管弦楽曲。これを支えるトレーニングの話は、この投稿で最大の数字です。40を超えるファイル形式にわたる1,000万件の参照ファイルを保持する30万のワークスペースです。

• ビデオ — 15万を超える制作環境と約5,300分の完成映像。中心となるのは、10,000行を超えるPythonで書かれ、単一のパラメーター化されたペリカンを20のアートスタイルで動かす116秒の2Dアニメーション短編です。

これらに共通しているのは、どれもチャットのやり取りではないという点です。すべてがツール呼び出しを伴う長時間のエージェント実行であり、ここで主張されているのは耐久性、つまりモデルが何時間にもわたる編集を通じて計画を一貫して維持できるかどうかです。それはまさに、20行のベンチマーク表が最も測りにくい性質であり、この投稿が冒頭で成果物を示している理由でもあります。

ローンチ投稿とエンドポイントが食い違う箇所

投稿で説明されているモデルと、Qianfanの仕様書で説明されているモデルは、情報共有をしなかった2つの部門から見た同一のシステムであることが明らかに分かる。エンドポイントは11月10日に公開され、価格は入力100万トークンあたり0.28ドル、出力100万トークンあたり1.13ドル、キャッシュ読み取りは0.028ドル、コンテキストは1,024,000トークン、出力上限は921,600トークン、推論は単一の高エフォートレベルで必須、そしてモデルカードはなかった。1日後に公開されたリリース投稿は、コンテキストウィンドウを再掲し、価格には一切触れず、必須推論について何も言わず、モデルカードを提供することなくモデルカード相当の位置づけを示している。

実用的な帰結は、この話の二つの半分を一緒に読むか、まったく読まないかのどちらかにしなければならないということだ。投稿は、このモデルが11時間のコーディング作業を維持できると伝えている。エンドポイントは、モデルが考えるすべてが出力レートで課金され、思考をオフにできないと伝えている。何時間も反復に費やす実行は、膨大な数の出力トークンを放出する実行であり、100万トークンあたり1.13ドルでは、デモリールのコストは投稿が決して提起しない問いだ。誰かが自分のワークロードで完了したタスクあたりの出力トークンを測定するまで、このモデルとより安いモデルの間のどんな比較も、料金表の比較にすぎない。

まだ何が欠けているのか、しかもそれは小さなことではない

三つの欠如が ERNIE 5.5 Flash Preview の現在の状態を規定しており、それぞれが異なる時間軸で解消される。

• 重み。この投稿はApache 2.0で「近日中」に提供されると約束しているが、日付は明示しておらず、11月11日時点でHugging Face上にプレビュー用リポジトリは存在しない。そこに公開されているERNIE 5.5の成果物はERNIE-5.5-Flash-BaseとそのBF16版のみで、いずれも10月21日に作成された。ベースチェックポイントはERNIE 5.5 Flash Baseライセンスの下で提供されており、これは欧州連合、英国、韓国を除外し、関連する年間売上高によって無償の商用利用に上限を設け、「Powered by ERNIE」の帰属表示を義務付ける制限付きコミュニティライセンスである。プレビューの重みが本当にApache 2.0で提供されるなら、それはこのファミリーのライセンス条件の変更であり、どのベンチマークの行よりもはるかに重大な話である。

• 独立したスコア。今回のリリースは、Baidu以外の誰も実行していない。注目すべきは、名前にAAが付くベンチマークだ。Artificial Analysisは独自のハーネスを走らせており、モデルを追加した時点で比較可能な行を公開するからである。それまでは、この20個のセルは測定値ではなく主張にすぎない。

• 完成したモデル。Baiduはポストトレーニングが進行中であり、正式リリースはプレビューを改善すると述べている。これは、今日の数値に賞味期限があるという明示的な表明であり、このチェックポイント上に構築するという決定を、動く標的についての決定にしてしまう。

本番経路をそれに賭けることなく、どう評価するか

アクセスは、Baidu自身のQianfan API経由、またはそれを再販するサードパーティプラットフォーム経由です。OrcaRouterはERNIE 5.5 Flash Previewをルーティングしません。200以上のモデルを収録する当社のカタログにERNIEの項目はなく、その背後にBaiduのエンドポイントもないため、ここにある内容はそれを提供する申し出として解釈されるべきではありません。

この状況でカタログが役立つのは、テーブルの反対側、つまり、これがベンチマークされている相手のモデルはすべて1つのOpenAI互換キーを使えば、プロバイダーの定価、マークアップ0%で利用できるという点です。これにより、同じ20個のタスクをGPT-6.1 Sol、Claude Opus 5.5、GLM-5.3、DeepSeek V4.1 Flashで自分で実行し、Baiduの順位付けがあなたのプロンプトに触れても維持されるかどうかを確認できます。自動フェイルオーバーが2つ目の役割を担います — 稼働実績のないプレビューが、リクエストパスを支える唯一の存在になる必要は決してありません。なぜなら、ルーティングされたフォールバックが、それが停滞したときに呼び出しを引き受けられるからです。

今週実施する価値がある評価は、範囲が狭く、低コストだ。自分自身の長期的なエージェントタスクを10個選び、それぞれをプレビューと、すでに信頼している2つのモデルで実行し、タスクごとに3つのことを記録する。完了したかどうか、出力トークンをいくつ消費したか、コストがいくらだったか、だ。これで、Baiduが公開しなかった2つの数値、つまりタスクあたりのトークン数と完了したタスクあたりのコストが、自分で選んだベースラインに対して得られる。リリース投稿内の他のすべて、46.5を含めて、他人のハーネスだ。

疑問に決着をつけるのは、もう一つのデモではない。Apache 2.0リリースの日付、ナレッジカットオフと評価表を備えたモデルカード、Artificial Analysisによって作成されたArtificial Analysisの行、そしてこのチェックポイントと数値を比較できる第2のチェックポイントだ。Baiduは今、11月10日に公開すべきだった話を公開した。次に同社がユーザーに対して負うのは、スコアボードについて同社の言葉を鵜呑みにしなくて済むようにする成果物だ。