ERNIE-5.5-Flash-Base: Baidu udostępnia checkpoint 280B, po czym zawęża, gdzie można go używać

Przez dwa tygodnie najbardziej godną uwagi rzeczą dotyczącą ERNIE-5.5-Flash-Base było to, jak niewiele Baidu o niej mówił. Repozytorium Hugging Face zarejestrowano 21 października 2026 r. i pozostawało zasadniczo puste aż do 2 listopada, zawierając niewiele więcej niż README. Pierwsze shardy wag trafiły tam tego ranka, a checkpoint FP8 składający się ze 128 części zakończył przesyłanie następnego dnia. Dopiero 5 listopada Baidu opublikował blog techniczny i kartę modelu, które wyjaśniają, co faktycznie tam umieścił: checkpoint rzadkiej mieszaniny ekspertów o 280 mld parametrów, z których 14 mld jest aktywnych na token, wytrenowany od podstaw na 33,5 biliona tokenów.

Do tego poranka główne repozytorium zostało pobrane cztery razy, wobec liczby polubień w wysokich pięćdziesiątkach. Różnica między tymi dwiema liczbami to premiera w miniaturze. Bardzo wiele osób obserwuje drugi zwrot Baidu w stronę otwartych wag, a prawie nikt jeszcze nie zabrał wag do domu.

Dwie rzeczy wyjaśniają wahanie, a obie są właściwościami samego wydania, a nie plotkami wokół niego. Po pierwsze, jest to bazowy checkpoint — koniec wstępnego trenowania, bez trenowania pośredniego i bez trenowania po nim — więc nie jest to model konwersacyjny i nie zachowuje się jak taki. Po drugie, licencja. Nie jest to Apache 2.0, nie obejmuje Unii Europejskiej, Wielkiej Brytanii ani Korei Południowej, a jej warunki komercyjne zmieniają się, gdy Twoje powiązane przychody przekroczą 50 mln USD rocznie.

Co Baidu opublikował i w jakiej kolejności

Historia commitów w repozytorium jest czytelniejszym zapisem wydania niż jakiekolwiek ogłoszenie. Pierwszy commit 21 października. README 26 października, dwie minuty później przesłanie folderu, a następnie usunięcie obrazów architektury i wydajności — zwykła krzątanina kogoś, kto składa stronę. Pliki konfiguracyjne pojawiły się 2 listopada o 06:29, zaraz po nich shardy wag, a ostatni z 128 przed 09:00 następnego ranka. Dane benchmarków i schematy architektury pojawiły się 4 listopada. Logo, poprawki tokenizera i finalne szlify README przyszły 5 listopada, w ciągu kilku godzin od publikacji wpisu na blogu.

Kolejność jest więc taka: najpierw wagi, potem dokumentacja, na końcu ogłoszenie. Baidu nie zorganizował premiery, po której dopiero wyciągnąłby pliki. Umieścił w internecie checkpoint 280B, a wyjaśnienie napisał później. Warto powiedzieć to wprost, ponieważ ujęcie, które zobaczysz w chińskojęzycznych relacjach — triumfalne ogłoszenie open source — opisuje to, co wydarzyło się 5 listopada, a nie to, co wydarzyło się 2 listopada.

Istnieją dwa repozytoria, a ten podział ma większe znaczenie niż zwykle. baidu/ERNIE-5.5-Flash-Base udostępnia safetensors w mieszanej precyzji FP8; baidu/ERNIE-5.5-Flash-Base-BF16 udostępnia ten sam checkpoint w BF16. Oba są bez ograniczeń dostępu, oba obsługują wyłącznie tekst i oba deklarują te same 280B łącznych i 14B aktywowanych parametrów. W modelu istnieje trzeci zestaw wag jako parametry ECHO — 0,36B z nich — które Baidu wyraźnie wyklucza z nagłówkowych liczb.

Warto doprecyzować konwencje zliczania, ponieważ na tej samej stronie są one ze sobą sprzeczne. Wartość 280B Baidu obejmuje embedding wejściowy i głowicę wyjściową, a jej liczba 14B aktywowanych parametrów uwzględnia głowicę wyjściową, ale nie wyszukiwanie embeddingów. Widżet rozmiaru modelu samego Hugging Face pokazuje 286B — inną konwencję zastosowaną do tych samych plików. Żadna z nich nie jest błędna; odpowiadają one na nieco inne pytania, a karta specyfikacji, która je miesza, nie będzie się zgadzać.

Bazowy checkpoint to nie chatbot, a różnica nie jest kosmetyczna

Najistotniejsze zdanie na karcie modelu jest najmniej dramatyczne: to „checkpoint na końcu wstępnego trenowania, przed jakimkolwiek trenowaniem pośrednim lub końcowym”. Deklarowanym celem Baidu jest adaptacja dziedzinowa, dostrajanie z użyciem instrukcji oraz badania nad uczeniem ze wzmocnieniem. To punkt wyjścia, sprzedawany jako punkt wyjścia.

W praktyce oznacza to, że nie można podmienić go w produkcie czatowym i oczekiwać, że będzie to ERNIE. Karta modelu udostępnia go przez endpoint /v1/completions, a nie przez chat completions, i wskazuje, że dane wejściowe wymagają tokenu BOS, więc tokenizacja musi zachować add_special_tokens=True. Model bazowy kontynuuje tekst. Nie wykonuje instrukcji, nie odmawia próśb ani nie prowadzi rozmowy, ponieważ nic go tego nie nauczyło.

Nie istnieje też jeszcze żaden model siostrzany po treningu końcowym (post-training) i właśnie na tym polu czytelnicy najczęściej się mylą, gdy widzą liczby z benchmarków. Blog Baidu podaje, że ERNIE 5.5 Flash po treningu końcowym „pojawi się później”. Dziś go nie ma. Nie ma dla niego hostowanego API w Qianfan wymienionego w materiałach wydawniczych, nie ma modelu czatu, z którym można by go porównać, i nie ma wiersza ERNIE 5.5 Flash na Artificial Analysis — sprawdziłem indeks modeli 5 listopada i widnieją tam ERNIE 4.5 300B A47B oraz ERNIE 5.0 Thinking Preview, a nic z linii 5.5.

Więc uczciwy opis 5.5 Flash jako rodziny produktów, w dniu jej ogłoszenia, brzmi: jeden bazowy checkpoint, otwarte wagi, brak modelu instruct, brak endpointu. Wszystko inne to obietnica dotycząca późniejszego etapu.

Wewnątrz architektury, krótko

Baidu skupiło swoje wysiłki inżynieryjne na koszcie długiego kontekstu, a projekt jest czytelny, nawet jeśli nigdy go nie wytrenujesz.

• Uwaga — 37 z 43 warstw wykorzystuje Heavily Compressed Attention, która buforuje jeden wpis na 128 tokenów, natomiast 6 warstw zachowuje dostęp na poziomie tokenów dzięki MLA ze rzadką uwagą (DSA). Przy dopasowanym budżecie pamięci KV Baidu raportuje, że HCA w połączeniu z MLA przewyższa HCA w połączeniu ze skompresowaną rzadką uwagą.

• Geometria głowic — tanie, skompresowane 128× warstwy HCA otrzymują szerokie głowice o wymiarze 512; kosztowne warstwy MLA na poziomie tokenów otrzymują wąskie głowice o wymiarze 256. Szerokość głowic jest dopasowana do rzeczywistego kosztu uwagi w każdej warstwie.

• Eksperci — 512 ekspertów routowanych na warstwę MoE z routingiem top-10 oraz jednym wspólnym ekspertem, rozdzielanych i łączonych w 2048-wymiarowej przestrzeni utajonej przy połowie szerokości ukrytej. Równoważenie obciążenia odbywa się bez pomocniczej funkcji straty.

• Rezydua i wyjście — hiperpołączenia z ograniczeniem do rozmaitości z czterema równoległymi strumieniami rezydualnymi zastępują standardową ścieżkę rezydualną, a głowica MultiMax z uczalną temperaturą odcinkową wyostrza rozkład słownictwa.

• ECHO — zamiast osobnego modułu predykcji wielu tokenów, własna ostatnia warstwa backbone'u przewiduje przyszłe tokeny i jednocześnie pełni rolę modelu szkicowego do dekodowania spekulacyjnego. To 0,36B, które nie jest wliczane do liczby parametrów.

• Tokenizator — około 201 000 wpisów BPE, przy czym liczby są tokenizowane od prawej do lewej w grupach do trzech cyfr.

Historia kontekstu to praktyczny nagłówek: 128K podczas treningu i 1M do dostrajania oraz wnioskowania, a udostępniona konfiguracja już umożliwia ustawienie 1M. To naprawdę duże okno jak na otwarty checkpoint w tym rozmiarze i to możliwość, wokół której Baidu zbudował architekturę, a nie coś doklejonego po fakcie.

Tabela benchmarków jest prawdziwa i nie jest to liczba, o której myślisz

Baidu publikuje 30 wierszy obejmujących egzaminy, wiedzę, STEM, rozumowanie, wielojęzyczność, kod i długi kontekst, w zestawieniu z trzema współczesnymi modelami bazowymi: DeepSeek-V4-Flash-Base o łącznej liczbie 284B parametrów i 13B aktywnych, Hy3-preview-Base o 295B i 21B oraz MiMo-V2.5-Base o 310B i 15B. Wszystkie cztery przepuszczono przez jeden potok ewaluacji z tymi samymi promptami i ustawieniami few-shot — co jest właściwym sposobem budowania tej tabeli, a także powodem, dla którego nie można jej umieścić w rankingu obok modeli czatowych.

ERNIE-5.5-Flash-Base prowadzi w 24 z 30 wierszy. Najistotniejsze przewagi dotyczą kodu i wiedzy w stylu egzaminacyjnym, gdzie różnice między modelami bazowymi są zwykle niewielkie:

• HumanEval+ (1-shot, Pass@1) — ERNIE 82,3 vs DeepSeek 69,5, Hy3 78,0, MiMo 74,4

• MMLU-Pro (5-shot, EM) — ERNIE 78.4 vs DeepSeek 69.2, Hy3 66.9, MiMo 65.7

• LiveCodeBench (1-shot, Pass@1) — ERNIE 40,1 vs DeepSeek 31,9, Hy3 33,5, MiMo 32,4

• RepoQA (0-shot, Pass@1) — ERNIE 91,7 vs DeepSeek 81,0, Hy3 91,3, MiMo 56,5

Przegrywa także sześć, a te sześć mówią więcej niż zwycięstwa. W ChineseSimpleQA zwycięża DeepSeek wynikiem 75,3 przeciwko 73,0 ERNIE. W BBH z łańcuchem myśli zwycięża Hy3 wynikiem 90,0 przeciwko 89,2. INCLUDE-lite to porażka o włos z DeepSeek — 79,8 do 79,5. W FullStackBench zwycięża Hy3 wynikiem 56,7 przeciwko 54,6. HELMET-Rerank to porażka z największą różnicą — 60,0 do 56,2. W InfiniteBench, 48,0 do 46,5, również zwycięża DeepSeek — co jest wymownym wynikiem jak na model, którego głównym celem projektowym był długi kontekst.

Każda z tych liczb pochodzi od samego Baidu, została wygenerowana przez Baidu, na stanowisku testowym skonfigurowanym przez Baidu i opublikowana wraz z wagami. Żadna strona trzecia nie odtworzyła żadnej z nich. To nie jest oskarżenie; to normalny stan modelu, który ma kilka godzin, i dokładnie w takim stanie tabele dostawców są najczęściej cytowane tak, jakby były pomiarami.

Porównanie, które byłoby naprawdę przydatne, jeszcze nie istnieje i nie jest tym, do którego zachęca tabela. To wszystko są modele base. Wynik 93,3 w MMLU dla bazowego checkpointu to nie to samo co 93,3 dla modelu czatu, a umieszczenie go obok wyniku Artificial Analysis Intelligence Index — obliczanego dla modeli po treningu wykonujących zadania agentowe i rozumowanie — byłoby błędem kategorialnym. Baidu opublikował staranne porównanie w obrębie kategorii. Błąd, na który może się nabrać każdy, kto je czyta, polega na potraktowaniu go jako porównania międzykategoriowego.

Licencja to element, który faktycznie powstrzyma ludzi.

Pomijając komunikat, dokumentem, który reguluje to wydanie, jest ERNIE 5.5 Flash Base Model License Agreement v1.0. Jest datowany na 5 listopada 2026 r. — sama licencja jest najbardziej wiarygodnym potwierdzeniem daty ogłoszenia — i jest to umowa niestandardowa, a nie zatwierdzona przez OSI.

Trzy klauzule wykonują większość pracy.

• Terytorium.Grant jest udzielany „wyłącznie na Terytorium”, które sekcja 1.11 definiuje jako każdy obszar geograficzny na świecie z wyłączeniem Unii Europejskiej, Zjednoczonego Królestwa i Korei Południowej. Redystrybucja na podstawie sekcji 3.1 jest ograniczona do tego samego terytorium. To jest klauzula, która najprawdopodobniej będzie miała znaczenie dla firmy, która czyta „open weights” i planuje wdrożenie.

• Próg 50 mln USD. Wykorzystanie niekomercyjne jest bezpłatne. Wykorzystanie komercyjne również jest bezpłatne, dopóki Twoje roczne przychody z powiązanych produktów lub usług wynoszą 50 mln USD lub mniej, pod warunkiem że przed pierwszym użyciem komercyjnym wyślesz do Baidu jednorazowe zgłoszenie użycia i umieścisz dokładny ciąg „Powered by ERNIE” w łatwo dostępnym miejscu — w interfejsie użytkownika, na stronie „o nas” lub, w przypadku interfejsów API i usług backendowych, w dokumentacji dla programistów. Powyżej 50 mln USD potrzebujesz odrębnej uprzedniej pisemnej zgody przed rozpoczęciem, a opłaty ustala odrębna umowa.

• Jak liczy się przychód. Sekcja 1.7 agreguje każdy podmiot pozostający pod wspólną kontrolą — ponad 50% kapitału własnego lub praw głosu — w jednego operatora. Liczy także cały przychód powiązanego produktu, nawet jeśli produkt ten wykorzystuje inne modele obok ERNIE. Nie można zejść poniżej progu, przypisując sobie jedynie udział ruchu, który dotyka tych wag.

Kontrast z własną historią Baidu sprawia, że jest to warte odnotowania, a nie rutynowe. ERNIE 4.5, wydany 30 czerwca 2025 r., dostarczył dziesięć wariantów na licencji Apache 2.0 — naprawdę permisywnej: bez ograniczeń terytorialnych, bez progu przychodowego, bez wymogu podawania informacji o autorstwie. ERNIE 5.0 w listopadzie 2025 r. poszedł zupełnie inną drogą i nie udostępnił żadnych wag. ERNIE-5.5-Flash-Base to trzecia pozycja: wagi, które można pobrać, na warunkach, które sprawiają, że „open” jest stwierdzeniem o dostępności, a nie o pozwoleniu.

Jeśli oceniasz ten model do jakichkolwiek celów komercyjnych, przeczytaj sekcje 1.7, 1.11 i 4, zanim przeczytasz tabelę wyników testów porównawczych. Tabela mówi, co model potrafi. Te trzy sekcje mówią, czy wolno ci to sprawdzić.

Co trzeba, żeby biegać

Wagi są wystarczająco duże, że kwestia sprzętu rozwiązuje się sama, a jednocześnie wystarczająco małe, że odpowiedź nie jest absurdalna. Przy FP8 280B parametrów to około 280 GB wag przed jakimkolwiek KV cache — to arytmetyka, nie pomiar — co mieści się w węźle z czterema GPU na kartach 80 GB, z zapasem, który jest mniejszy, niż się wydaje, gdy włączysz kontekst 128K. Repozytorium BF16 podwaja to do około 560 GB i wymaga ośmiu kart.

Baidu udostępnia dwie ścieżki serwowania, a obie wiążą się z utrudnieniami, o których warto wiedzieć, zanim zaczniesz.

• SGLang — gotowy obraz, lmsysorg/sglang:dev-ernie-55-flash, uruchamiany z równoległością tensorową 4 i równoległością danych uwagi 4. To tag deweloperski, a nie przypięte wydanie.

• vLLM — vLLM 0.32.0 oraz wtyczka instalowana z własnego repozytorium vLLM-ERNIE firmy Baidu. Flagi uruchomieniowe obejmują FP8 KV cache, równoległość ekspertów oraz --moe-backend humming.

Żadna z tych ścieżek nie jest instalacją w jednej linii, a ścieżka vLLM w szczególności wiąże cię z konkretną wersją vLLM i wtyczką utrzymywaną przez Baidu. To normalne w przypadku modelu z nową strukturą attention i MoE, a właśnie tego rodzaju szczegół decyduje o tym, czy dwutygodniowa ewaluacja przesunie się o tydzień. Przykład dostrajania Megatron-Bridge jest podlinkowany z karty z tego samego powodu: ten checkpoint jest przeznaczony do trenowania, a nie tylko do serwowania.

Kto powinien to pobrać, a kto powinien poczekać

Pobierz go, jeśli masz środowisko do fine-tuningu. Bazowy checkpoint 280B-A14B wytrenowany na 33,5 bln tokenów, z oknem inferencji wynoszącym 1 mln tokenów i warunkami komercyjnymi, które są wykonalne poniżej progu przychodowego i poza wyłączonymi terytoriami, to poważny punkt wyjścia do adaptacji domenowej lub uruchomienia RL — a współczynnik aktywacji sprawia, że koszty trenowania i serwowania odpowiadają modelowi 14B, a nie 280B. Prace nad efektywnością, które Baidu wykonało w zakresie uwagi i pamięci podręcznej KV, są wycelowane dokładnie w długokontekstowe, agentowe obciążenia, które są kosztowne w utrzymaniu na gęstym modelu o porównywalnej jakości.

Poczekaj, jeśli chcesz model, który można wywołać. Nie ma wersji instruct, nie ma API ani niezależnej ewaluacji. Każdy, kto potrzebuje ERNIE 5.5 Flash jako produktu, czeka na wydanie po treningu dostrajającym, które Baidu obiecało, ale nie podało jego daty.

I zanim to zrobisz, sprawdź mapę. Jeśli Twoi użytkownicy, Twój podmiot lub Twoja infrastruktura znajdują się w UE, Wielkiej Brytanii lub Korei Południowej, licencja nie przyznaje Ci praw, które sugeruje przycisk pobierania.

Istnieje praktyczna ścieżka pośrednia dla zespołów, których prawdziwe pytanie nie brzmi „czy damy radę to uruchomić”, lecz „czy to jest lepsze od tego, za co już płacimy”. Potrzebne porównanie to zestawienie z hostowanymi modelami, które mielibyście zastąpić, oraz z tymi, które możecie wywołać już dziś. OrcaRouter udostępnia ponad 200 modeli za jednym API przy 0% marży — cena katalogowa dostawcy przekazywana bez narzutu, więc obniżka ceny u dostawcy obowiązuje tego samego dnia — co sprawia, że test porównawczy z waszym obecnym modelem produkcyjnym sprowadza się do zmiany ciągu nazwy modelu, a nie do podpisania drugiej umowy. W przypadku checkpointu, który zamierzacie dostroić i hostować samodzielnie, warstwa routingu pozwala utrzymać dotychczasowy model w obiegu, dopóki nie sprawdzicie, czy dostrojenie faktycznie jest lepsze, z automatycznym przełączaniem awaryjnym, jeśli nie jest. ERNIE-5.5-Flash-Base nie znajduje się w OrcaRouter; to zestaw wag, który uruchamiacie sami, i nic tutaj tego nie zmienia.

Co obejrzeć

Interesującą zmienną nie jest to, czy bazowy checkpoint jest dobry — według własnych danych Baidu wypada konkurencyjnie wobec modeli bazowych, z którymi go porównywano, i wygrywa w większości wierszy. Zmienną jest to, co Baidu zrobi z modelem po treningu, ponieważ właśnie tam warunki licencji zaczynają wiązać w rzeczywistych produktach i gdzie w końcu pojawi się niezależna ocena.

Warto zapamiętać dwie daty. Pierwsza to poddany treningowi końcowemu ERNIE 5.5 Flash, który według Baidu ma się pojawić, ale nie podano terminu. Druga to pierwsze odtworzenie przez stronę trzecią któregokolwiek wiersza z tej 30-wierszowej tabeli — moment, w którym liczby przestają należeć do Baidu, a zaczynają należeć do wszystkich. Do tego czasu uczciwe podsumowanie ERNIE-5.5-Flash-Base brzmi: Baidu publicznie udostępnił duży, starannie zaprojektowany checkpoint pretreningowy, opisał go dokładnie i dołączył licencję, która jest znacznie mniej otwarta, niż zwykle sugeruje sformułowanie „otwarte wagi”.