ERNIE 5.5 Flash Preview heeft eindelijk een lanceerbericht, twintig benchmarks en een belofte over gewichten

46,5 op Terminal-Bench 4.0 is de eerste score die Baidu ooit voor ERNIE 5.5 Flash Preview heeft gepubliceerd, en die verscheen op 11 november 2026 — één dag nadat het model zelf op Qianfan live ging als een betaald endpoint met een prijslijst en helemaal geen documentatie. De releasepost met dat cijfer is de eerste officiële uitspraak over het model, en beantwoordt de drie vragen die het endpoint niet kon beantwoorden: wat het is (280 miljard totale parameters met 14 miljard actief, een context van 1M tokens, post-getraind op het ERNIE 5.5 Flash Base-checkpoint van 5 november), hoe het volgens Baidu presteert in vergelijking (twintig benchmarkrijen naast GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 en een model dat alleen als Hy4 wordt vermeld), en of je het ooit zelf zult kunnen draaien (de weights "worden binnenkort open-source onder Apache 2.0"). Elk cijfer in die tabel is door de leverancier gerapporteerd, geproduceerd op Baidu's eigen harnesses met door Baidu geselecteerde judge-modellen, en niets ervan is buiten het bedrijf gereproduceerd. De benchmarkgroep is het deel van deze vergelijking dat je daadwerkelijk kunt beheren. leverancierslijstprijs met 0% opslag GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 en DeepSeek V4.1 Flash staan op één sleutel tegen leverancierslijstprijs, waarbij de OrcaRouter-kosten als $0.00 worden weergegeven.

Wat Baidu op de pagina heeft gezet

De post is gestructureerd als een demo-reel met een benchmarkbijlage, wat je vertelt wat Baidu denkt dat het argument is. Vier capaciteitssecties — gameontwikkeling, 3D-modellering en -ontwerp, kenniswerk, videocreatie — elk opgebouwd uit artefacten die het model end-to-end heeft geproduceerd binnen een agent-harnas, met externe assets en tools stuk voor stuk toegeschreven. De specificatie staat in de openingsparagraaf en komt nooit meer terug: 280B totaal, 14B actief, 1M-tokencontext, API op Qianfan, gewichten beloofd onder Apache 2.0. Er is geen modelkaart, geen kennisafsluitdatum, geen latentiecijfer, geen prijsstelling en geen uitspraak over hoeveel redeneertokens het model per taak uitstuurt.

Twee zinnen in het bericht zijn belangrijker dan de rest ervan bij elkaar. De eerste staat in het gedeelte over gameontwikkeling, waar het Unreal Engine 5.8-project wordt beschreven: "Omdat het een model is dat alleen tekst aankan en het scherm niet kan zien, zette het problemen die tijdens playtests werden opgemerkt, zoals een personage dat boven de grond zweeft, een inconsistente looprichting en een verkeerd geplaatste camera, om in meetbare tests in code." Dat is een ongewoon openhartige beschrijving van een workaround — het model schreef tests omdat het niet naar de game kon kijken — en het is tot nu toe de duidelijkste uitspraak dat dit een tekst-in-, tekst-uit-systeem is waarvan de visuele competentie aan hulpmiddelen wordt overgelaten.

De tweede is de slotparagraaf: ERNIE 5.5 Flash Preview "is een tussenliggend checkpoint uit de post-training. Het is al competitief met modellen van zijn grootte, maar omdat de training nog niet is afgerond, kunnen sommige capaciteiten nog tekortschieten." Een lanceringspost die je vertelt dat de lancering nog niet afgerond is, is meer waard dan een die dat niet doet, en het geeft alles hierboven een andere context. Je leest geen productaankondiging. Je leest een voortgangsrapport met een scorebord eraan vast, gepubliceerd zodat gebruikers feedback geven vóór de officiële release.

De twintig benchmarkrijen, zorgvuldig gelezen

De tabel in de bijlage is één enkele afbeelding, wat op zichzelf al een kleine aanwijzing is: de getallen kunnen niet worden gekopieerd, gesorteerd of tegen een spreadsheet gecontroleerd. Afgelezen van de afbeelding loopt de ERNIE-kolom als volgt, allemaal door Baidu gerapporteerd en niet gereproduceerd:

• Agentisch programmeren — Terminal-Bench 4.0 op 46,5, DeepSWE v1.1 op 71,2, ProgramBench (Almost Solved) op 29,5, NL2Repo-Bench op 64,8, Terminal-Bench-Science 0.1 op 21,0.

• Computergebruik en automatisering — CookieBench op 88,2, AutomationBench op 61,9, APEX-Agents 1.1 op 64,2, DRACO op 84,9.

• Kenniswerk — SpreadsheetBench V2 op 36,4, OfficeQA Pro V2 op 67,9, Agents' Last Exam (CLI) op 29,0, SkillsBench 1.1 alleen tekst op 73,5.

• Algemene agents en toolgebruik — Toolathlon-Verified op 79,0, MCP-Atlas op 84,6, BrowseComp op 87,4.

• Redeneren — HLE zonder tools op 46,4 met een voetnootmarkering, AA-Omniscience-Public op 25,2, AA-LCR v1.1 op 79,0.

• 3D — BlenderWorld uitsluitend tekst op 79,0, de enige rij die direct ingaat op de CAD- en Blender-claims in de hoofdtekst.

De voetnoten zijn waar de eerlijkheid huist, en ze zijn het lezen waard vóór welke cel dan ook. Elke benchmark liep op een genoemd harnas — Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 en iets dat is afgekort tot DSH komen allemaal voor — en de beoordelaarsmodellen zijn Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 en Gemini 3.1 Flash-Lite. Eén voetnoot geeft toe dat "GLM-5.3 en ons model geen native multimodale mogelijkheden hebben; beeldbegrip wordt geleverd via een tool die wordt aangedreven door Claude Opus 5.5." Met andere woorden: ten minste enkele van de visieafhankelijke benchmarks werden voltooid door ERNIE 5.5 Flash Preview, die een tool aanstuurt die een model van een concurrent aanroept. Dat is een legitieme technische keuze en een oprecht vreemd iets om in een scorebord aan te treffen, en het betekent dat de rijen waarbij er naar wat dan ook moet worden gekeken, het hele harnas meten, niet alleen het model.

De twee rijen met een AA-prefix verdienen een eigen voorbehoud. AA-Omniscience-Public en AA-LCR v1.1 zijn benchmarks die zijn gepubliceerd door Artificial Analysis, de onafhankelijke tracker — maar dit zijn Baidu-runs ervan, niet de runs van Artificial Analysis. Per 11 november staat er geen ERNIE 5.5-rij op het leaderboard van Artificial Analysis, dus er is geen onafhankelijk cijfer om tegen een van beide cellen af te zetten.

De demoreel is het eigenlijke argument.

Als de benchmarktabel het deel is dat zal worden geciteerd, zijn de vier casestudies het deel dat moeilijk te vervalsen is, omdat ze werkproducten beschrijven in plaats van scores. De details zijn specifiek genoeg om in principe controleerbaar te zijn en concreet genoeg om nuttig te zijn wanneer je besluit waar je dit model op wilt richten.

• {{1}}Gameontwikkeling{{/1}} — een third-person Unreal Engine 5.8-game gebouwd in één enkele codeertaak van 11 uur, waarbij assets uit meerdere enginegeneraties in één project werden samengevoegd en de game in C++ werd geschreven; daarnaast bijna 100 mobiele minigames gegenereerd uit ontwerpdocumenten voor Cocos, Unity, LayaAir, PixiJS en Canvas 2D, waarvan de meeste de regels structureren als een deterministische simulatie zodat playthroughs door bots en zoeken in de toestandsruimte kunnen verifiëren dat elk level uitspeelbaar is.

• 3D-modellering — een Boeing 747 en luchthaven Beijing Daxing, gebouwd door twee agenten via de Blender Python API, de een aan de luchthaven en de ander aan het vliegtuig, vervolgens op schaal op elkaar afgestemd, belicht, frame voor frame gerenderd met Cycles en OptiX en gemonteerd met FFmpeg; het tempelcomplex Hōryū-ji onderzocht en stap voor stap gebouwd; een previs-sequentie van ongeveer 2.100 objecten en 1,82 miljoen driehoeken verspreid over vier Blender-scènes; een W16-motor, twee Shenzhen-torens en een maanrover gemodelleerd in FreeCAD via Python-scripts.

• Kenniswerk — een onderzoeksrapport van 20 pagina's over de elektriciteitskosten van datacenters, een analyse van 24 pagina's over autonoom rijden op basis van 4.169 federale ongevalsrapporten, een interactief werkboek voor vermogensplanning met een Monte Carlo met 1.000 paden, en een orkeststuk van 6 minuten en 34 seconden, geleverd als WAV. Het trainingsverhaal hierachter is het grootste getal in het bericht: 300.000 werkruimten met 10 miljoen referentiebestanden verspreid over meer dan 40 bestandstypen.

• Video — meer dan 150.000 creatieomgevingen en ongeveer 5.300 minuten voltooide video, met als hoogtepunt een 2D-animatieshort van 116 seconden, geschreven in meer dan 10.000 regels Python, die één geparametriseerde pelikaan door 20 kunststijlen beweegt.

Wat deze gemeen hebben, is dat geen ervan een chatinteractie is. Elk ervan is een lange agentische run met tool calls, en de bewering die wordt gedaan gaat over uithoudingsvermogen — of het model een plan overeind kan houden gedurende uren van bewerkingen. Dat is precies de eigenschap die een benchmarktabel van twintig rijen het slechtst meet, en de reden waarom de post begint met artefacten.

Waar het lanceringsbericht en het endpoint van elkaar afwijken

Het model dat in de post wordt beschreven en het model dat in het specificatieblad van Qianfan wordt beschreven, zijn herkenbaar hetzelfde systeem, gezien vanuit twee afdelingen die geen onderling overleg hadden gepleegd. Het endpoint ging op 10 november live tegen $0,28 per miljoen inputtokens en $1,13 per miljoen outputtokens, met reads uit de cache tegen $0,028, een contextvenster van 1.024.000 tokens, een uitvoerplafond van 921.600 tokens, verplicht redeneren op één enkel hoog inspanningsniveau, en geen modelkaart. De releasepost, een dag later gepubliceerd, herhaalt het contextvenster, negeert de prijs volledig, zegt niets over verplicht redeneren en levert de positionering die een modelkaart waard is zonder de modelkaart zelf te leveren.

De praktische consequentie is dat de twee helften van het verhaal samen moeten worden gelezen of helemaal niet. De post vertelt je dat het model een codeertaak van elf uur kan volhouden; de endpoint vertelt je dat alles wat het denkt tegen het outputtarief wordt gefactureerd en dat je het denken niet kunt uitschakelen. Een run die uren besteedt aan itereren is een run die een enorm aantal outputtokens uitstuurt, en bij $1,13 per miljoen is de kostprijs van de demoreel een vraag die de post nooit opwerpt. Totdat iemand outputtokens per voltooide taak meet op de eigen werklast, is elke vergelijking tussen dit model en een goedkoper model een vergelijking van tariefkaarten.

Wat ontbreekt er nog, en dat is niet klein.

Drie afwezigheden bepalen de huidige staat van ERNIE 5.5 Flash Preview, en elk daarvan wordt op een ander tijdsbestek opgelost.

• De gewichten. De post belooft Apache 2.0 "binnenkort", maar noemt geen datum, en op 11 november is er geen preview-repository op Hugging Face — de enige ERNIE 5.5-artefacten die daar gepubliceerd zijn, zijn ERNIE-5.5-Flash-Base en de BF16-variant daarvan, beide aangemaakt op 21 oktober. Het basis-checkpoint is uitgebracht onder de ERNIE 5.5 Flash Base-licentie, een beperkte communitylicentie die de Europese Unie, het Verenigd Koninkrijk en Zuid-Korea uitsluit, gratis commercieel gebruik beperkt op basis van de gerelateerde jaaromzet en een "Powered by ERNIE"-naamsvermelding vereist. Als de gewichten van de preview daadwerkelijk onder Apache 2.0 verschijnen, is dat een wijziging van de licentievoorwaarden voor de familie en een veel grotere zaak dan welke benchmarkrij dan ook.

• De onafhankelijke score. Niets in deze release is door iemand anders dan Baidu uitgevoerd. De benchmarks met AA in de naam zijn degenen om in de gaten te houden, omdat Artificial Analysis zijn eigen testharnassen gebruikt en een vergelijkbare rij zal publiceren als en wanneer het het model toevoegt; tot die tijd zijn de twintig cellen een bewering, geen meting.

• Het voltooide model. Baidu zegt dat de post-training nog gaande is en dat de officiële release beter zal zijn dan de preview. Dat is een expliciete verklaring dat de cijfers van vandaag een beperkte houdbaarheid hebben, en het maakt van elke beslissing om op dit checkpoint voort te bouwen een beslissing over een bewegend doel.

Hoe kun je het evalueren zonder er een productiepad op te verwedden?

Toegang verloopt via Baidu's eigen Qianfan-API, of via platforms van derden die het doorverkopen. OrcaRouter routeert ERNIE 5.5 Flash Preview niet — er is geen ERNIE-vermelding in onze catalogus van meer dan 200 modellen en geen Baidu-endpoint erachter, dus niets hier mag worden opgevat als een aanbod om het te leveren.

Waar de catalogus in deze situatie nuttig voor is, is de andere kant van de tafel: de modellen waarmee dit model wordt vergeleken, zijn allemaal bereikbaar via één OpenAI-compatibele sleutel tegen de lijstprijs van de provider met 0% opslag, waardoor je zelf dezelfde twintig taken kunt uitvoeren via GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 en DeepSeek V4.1 Flash en kunt zien of Baidu's ordening contact met je prompts overleeft. Automatische failover neemt de tweede taak voor zijn rekening — een preview zonder uptimegeschiedenis hoeft nooit het enige te zijn dat een aanvraagpad overeind houdt, omdat een gerouteerde fallback de aanroep kan overnemen wanneer die vastloopt.

De evaluatie die deze week de moeite waard is om uit te voeren, is beperkt en goedkoop. Neem tien van je eigen agenttaken met een lange horizon, laat elke taak door de preview en door twee modellen die je al vertrouwt lopen, en noteer drie dingen per taak: of hij klaar was, hoeveel outputtokens hij verbruikte en wat het kostte. Dat levert je de twee cijfers op die Baidu niet publiceerde — tokens per taak en kosten per voltooide taak — afgezet tegen een baseline die je zelf hebt gekozen. Al het andere in het releasebericht, inclusief de 46.5, is andermans harness.

Wat de kwestie zou beslechten, is niet nog een demo. Het is een datum voor de Apache 2.0-release, een modelkaart met een knowledge cutoff en een evaluatietabel, een Artificial Analysis-rij geproduceerd door Artificial Analysis, en een tweede checkpoint waarvan de cijfers met dit checkpoint kunnen worden vergeleken. Baidu heeft nu het verhaal gepubliceerd dat het op 10 november had moeten publiceren. Het volgende dat het zijn gebruikers verschuldigd is, is het artefact waarmee ze niet langer op zijn woord hoeven af te gaan als het om het scorebord gaat.