Ling-3.2-flash 対 ERNIE 5.5 Flash：一方は製品、もう一方は出発点

2026年11月5日、中国の2つのラボが数時間差でフラッグシップ級に近いモデルを相次いで公開した。しかしLing-3.2-flashとERNIE 5.5 Flashについて書ける比較のほとんどは、両者が同じ種類の対象ではないと気づいた瞬間に意味を失う。Ling-3.2-flashは完成済みの指示チューニング済みマルチモーダルチャットモデルであり、テキスト・画像・動画を入力して回答を出力し、Ant LingのOpenAI互換エンドポイントで公開中、2週間無料で利用できる。一方、Baiduが公開したのはERNIE-5.5-Flash-Baseだ。これは事前学習終了時点のチェックポイントで、中間学習前、指示チューニング前のものであり、テキスト専用で、まだ指示に従うよう学習していないためcompletionsエンドポイント経由で提供されている。Baidu自身のリリースページには、事後学習済みのERNIE 5.5 Flashは「後日登場する」と書かれている。

その単一の非対称性が、以下の実用的な問いの大半を決める。片方のモデルは今日の午後にも呼び出せる。もう片方はダウンロードし、ファインチューニングし、何か別のものに作り変えられる——それはまったく別の購入であり、法的契約が付いてくる。

横に並んだ二つの物体

以下は、各ベンダーが現在ドキュメント化している内容です。数値がベンダー自身によるもので再現されていない場合は、その旨が明記されています。

• 総パラメータ数とアクティブパラメータ数 — Ling-3.2-flash は総560B／アクティブ25B、ERNIE-5.5-Flash-Base はトークンあたり総280B／アクティブ14B、さらに両方のカウントから除外される0.36BのECHOパラメータ。

入力 — Ling-3.2-flash はテキスト、画像、動画をネイティブに扱え、リクエスト内で image_url ブロックと video_url ブロックを利用できます。一方、ERNIE-5.5-Flash-Base はテキスト専用、それだけです。

• 受け取るもの — Ling-3.2-flash は API の背後にあるポストトレーニング済みのチャットモデルです。ERNIE-5.5-Flash-Base は、あなた自身がポストトレーニングすることを前提とした生の事前学習済み重みです。

• アーキテクチャ — Ling-3.2-flash は、Ant が 3.1 以降展開してきた Ling ハイブリッドリニア系の MoE です。ERNIE-5.5-Flash-Base は 43 層（1 つの dense FFN、42 の Multi-Router Latent MoE）で、512 のルーテッドエキスパートを top-10 ルーティングに加えて 1 つの共有エキスパートで構成し、37 の Heavily Compressed Attention 層と 6 つの MLA 層をスパースアテンションで備えています。

• 補足 — {{KEEP}}Ling-3.2-flash{{/KEEP}} は API 上で 100 万トークンのウィンドウを提供している。一方 {{KEEP}}ERNIE-5.5-Flash-Base{{/KEEP}} は 128K で学習され、公開された設定ではファインチューニングと推論で 1,048,576 トークンが有効になるが、これは同じ主張ではない。

• 重み — Ling-3.2-flash は公開されている重みがありません。ERNIE-5.5-Flash-Base は FP8 と BF16 の safetensors を Hugging Face と ModelScope で配布しています。

• 価格 — Ling-3.2-flash はローンチ後2週間無料で、15日目の料金は公表されていません。ERNIE-5.5-Flash-Base は Baidu が提供していないためホスト型の価格がなく、セルフホスティングのコストは280Bの重みにかかる費用次第です。

どの行も品質に関する主張ではありません。それらは、あなたが購入することになるものの説明です。

証拠から見て、Ling-3.2-flash は実際に何に向いているのか

Antの発表資料は、3つのベンチマーク数値と5本のデモ動画だ。数値はLing-3.2-flashをOpus 5と最大努力設定で比較しており、OmniDocBench1.5（92.21対90.56）、ZEROBench(Sub)（43.71対39.52）、Vision2Web（85.86対80.20）となっている。3つともベンダー報告値で、3つとも視覚系であり、第三者による再現はまだない。まとめて読むと、主張は1点に集約される。文書解析、3Dシーン推論、視覚からWebへのタスクにおいて、Antはフロンティアのクローズドモデルを上回ると考えている。テキスト推論、コーディング、エージェント的なターミナル作業については何も主張しておらず、そこが依然として本番トラフィックの大半を占めている。

デモは数字よりも多くのことを語ります。なぜなら、Antがこのモデルで実現しようとしたループがそこに示されているからです。Ling-3.2-flashはマテリアル球のヘッドレスレンダーを検査し、ラフネスと法線マップを比較して、自身のスクリプトを書き換えます。UI操作を通じてBlenderを動かし、エンジニアリング図面を3Dウェブモデルに変換し、数式を含む研究論文のPDFを読み解いてアルゴリズムをコードで実装します。これらのタスクはいずれも、モデルが中間成果物を確認して自己修正することを必要とします。これこそが、視覚アダプターを備えたテキストモデルではなくネイティブなマルチモーダル訓練によって得られるものであり、これがあなたのユースケースなら最初に試すべき能力です。

運用上の注意点が2つあり、これらは同時に述べておくべきだ。Antはグローバルで毎秒2クエリの上限を文書化しており、それを超えると429が返る。また、同期呼び出しには90秒のタイムアウトがあり、ストリーミングが推奨されている。さらに、モデルが無料なのはおよそ11月19日までで、料金ページにはその後は元の料金に戻るとあるが、その金額は示されていない。

ERNIE-5.5-Flash-Base は実際に何の役に立つのか

Baiduの売り込みはコストの置き換えであり、それは一貫した主張だ。同社は事前学習の計算をMuonオプティマイザで33.5兆トークンに費やした。あなたは自分の計算をドメイン適応、指示チューニング、強化学習に費やし、リポジトリ規模のコードと長文脈の挙動がすでに組み込まれたチェックポイントから始められる。このリリースは研究用ベースラインとして異例にクリーンだ。事前学習終了時のチェックポイントが1つだけで、中間学習も事後学習もないため、ベースがすでに何を知っていたかを論じることなく、2つのファインチューニング手法を比較できる。

Baiduの評価は、同程度の規模の3つのオープン基盤モデル——DeepSeek-V4-Flash-Base（284B-A13B）、Hy3-preview-Base（295B-A21B）、MiMo-V2.5-Base（310B-A15B）——を、同一のハーネス、同一のプロンプトセット、同一のジャッジのもとで、7カテゴリ・30ベンチマークにわたって比較したものだ。これはほとんどのローンチ時の比較表より制御された比較だが、それでもベンダー自身による実行である。知っておく価値のある主要なアーキテクチャ上の主張は、43層のうち37層が128倍に圧縮されたシーケンスに対してアテンションを行い、6つのMLA層で長文脈性能を維持するのに十分だとBaiduが述べている点だ。これが独立したテストで裏付けられれば、今回のリリースで最も興味深い点になる——長文脈の検索性能を犠牲にしない128倍圧縮である。

注意点はライセンスであり、それは小さなものではない。ERNIE 5.5 Flash Base Model License Agreement v1.0は、Territoryを「欧州連合、英国、韓国を除く世界のすべての地域」と定義し、本資料をその地域外で使用、配布、表示しないことを求めている。商業利用は、関連製品からの年間売上高が5,000万米ドル未満であれば無償で、一度限りの通知を送り、「Powered by ERNIE」をユーザーインターフェース、ウェブサイト、会社概要ページ、または製品ドキュメントに目立つ形で表示することが条件となる。5,000万米ドルを超える場合は、その線を越える前にBaiduの別途の事前書面による許可が必要であり、許可なく越えた場合は使用を停止しなければならない。

「無料」の280Bチェックポイントについて正直に整理すると、次のとおりです。3つの法域を除く世界各地で無料でダウンロードでき、商用利用は売上高のしきい値までは無料で、ほとんどのプロダクトチームがライセンス条項で気づくより先にマーケティングサイトで気づくようなブランディング義務を伴います。

何をしているかによって、どちらを選ぶべきか

見た目が重要な作業で、今月中に答えが必要ならLing-3.2-flashを選ぼう。レイアウトが重要な文書抽出、スクリーンショット駆動のUIエージェント、描画から3Dへの変換、医療画像のトリアージなど、モデルが自身のレンダリング出力を確認する必要があるもの全般だ。APIはOpenAI形式なので、統合はbase-URLの変更だけで済み、2週間の無料期間中は評価にかかるのは時間だけだ。ただし、まだ本番経路には入れないこと。公開価格も、独立したスコアも、重みも、フォールバックプロバイダーもない。

事後学習の能力とドメインがあるなら、ERNIE-5.5-Flash-Baseを選べ。文書化されたアーキテクチャ、動作するSGLangとvLLMのレシピ、FP8とBF16のビルド、Megatron-Bridgeのファインチューニング例を備えた280B-A14Bベースは、自社モデルを求めるチームにとって真の資産だ。開始前に対象地域条項を自社の法務上の法人格と照らして確認せよ、後回しにするな。そして、これをチャットモデルとしてベンチマークするな——これはテキストを継続するのであり、リクエストに答えるのではない。したがって、Ling-3.2-flashとの指示追従比較は間違ったものを測っている。

実際に欲しかったのが、呼び出せる完成版のERNIEだったなら、待ってください。Baiduは、ポストトレーニング済みのERNIE 5.5 Flashが登場予定だと言っており、それが登場するまでQianfanの価格表にホスト型のERNIE 5.5はありません。今日読んだ国際版の一覧にはERNIE 5.1、ERNIE 5.0、ERNIE 4.5 Turboが載っていて、5.5の行はありません。

どちらも当社のカタログにはありません — あるのはこちらです

ルーティングについて率直に言うと、私たちは11月6日にOrcaRouterのカタログを再確認し、そこからは215件のモデル識別子が返されました。そこにLing、inclusionAI、Ring、ERNIEのエントリはありません。唯一「ling」に一致するのはKlingの動画モデルだけです。したがって、この比較は1つのキーがすでに到達できる2つのものの間の選択ではありません。

1つのキーで到達できるのは、プロバイダー定価・マークアップなしで、同じ2つの仕事をカバーするモデルです。公開料金のあるビジョン作業なら、Qwen3.8-Flashは100万入力トークンあたり0.15ドル、100万出力トークンあたり0.47ドルです。大規模に使う安価なテキストエージェントなら、DeepSeek V4.1 Flashは0.15ドルと0.60ドル、GLM-5.3-Flashは0.15ドルと0.50ドルです。3つともOpenAI形式のリクエストを受け付けるので、Ling-3.2-flashの統合をこれらに移植するのは書き直しではなくモデル文字列の変更で済みます。これは、無料期間が終わっても料金表がまだない場合に重要です。

自ホスト型のERNIEファインチューンを、アプリから自分のクラスタへ直接向けるのではなく、その手前にルーターを置くべきだという主張の根拠もここにあります。エンドポイントは1つ、キーは1つ、そして自動フェイルオーバーが、GPUが飽和状態にあるときやデプロイがローリング中のときにホスト型モデルへと切り替えます。ルーティングDSLは複数のモデルを1回の呼び出しにまとめるので、ビジョンモデルとテキストモデルを2ステップではなく1ステップで実行できます。

注目すべきもの

両方のリリースは互いに逆方向へ中途半端に進んでおり、どちらの不足分も他者のスケジュールで埋まる。Antは価格表、モデルカード、そして2026年のパターンが続くならMITライセンスのチェックポイントを用意する責任がある。Baiduは事後学習済みのERNIE 5.5 Flashを用意する責任があり、さらにTerritory条項がモデルの出力に適用されるのか、それとも重みとその派生物のみに適用されるのかについて、より明確な説明を示す責任がある。現行の文言は、ほとんどのチームが想定するより広い範囲に適用されると示唆している。

それらのどれかが実現するまでは、比較は単純な構図だ。Ling-3.2-flash は今日評価できるが予算計上できないものであり、ERNIE-5.5-Flash-Base は予算計上できるが呼び出せないものだ。