ERNIE 5.5 Flash Preview w końcu doczekał się wpisu o premierze, dwudziestu benchmarków i obietnicy udostępnienia wag.

Wynik 46,5 w Terminal-Bench 4.0 to pierwszy wynik, jaki Baidu kiedykolwiek opublikował dla ERNIE 5.5 Flash Preview, i pojawił się 11 listopada 2026 — dzień po tym, jak sam model trafił do Qianfan jako płatny endpoint z cennikiem i zupełnie bez dokumentacji. Wpis premierowy zawierający tę liczbę to pierwsze oficjalne oświadczenie o modelu i odpowiada na trzy pytania, na które endpoint nie mógł odpowiedzieć: czym jest (280 mld parametrów łącznie, z czego 14 mld aktywnych, kontekst 1 mln tokenów, dotrenowany na checkpoincie ERNIE 5.5 Flash Base z 5 listopada), jak według Baidu wypada na tle innych (dwadzieścia wierszy benchmarków zestawionych z GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 i modelem wymienionym wyłącznie jako Hy4) oraz czy kiedykolwiek będziesz mógł uruchomić go samodzielnie (wagi „wkrótce zostaną udostępnione jako open source na licencji Apache 2.0”). Każda liczba w tej tabeli pochodzi od dostawcy, została uzyskana na własnych harnessach Baidu z modelami sędziowskimi wybranymi przez Baidu i żadna z nich nie została odtworzona poza firmą. Grupa benchmarkowa to ta część tego porównania, którą możesz faktycznie kontrolować. cena katalogowa dostawcy z narzutem 0% GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 i DeepSeek V4.1 Flash działają pod jednym kluczem w cenie katalogowej dostawcy, a opłata OrcaRouter jest wyświetlana jako $0.00.

Co Baidu umieścił na stronie

Wpis ma strukturę demo reela z aneksem benchmarkowym, co mówi, co Baidu uważa za sedno argumentacji. Cztery sekcje możliwości — tworzenie gier, modelowanie i projektowanie 3D, praca oparta na wiedzy, tworzenie wideo — każda zbudowana z artefaktów, które model wytworzył od początku do końca w środowisku agentowym, z zewnętrznymi zasobami i narzędziami przypisanymi element po elemencie. Specyfikacja pojawia się w akapicie otwierającym i już nie wraca: 280B łącznie, 14B aktywnych, kontekst 1 mln tokenów, API w Qianfan, wagi obiecane na licencji Apache 2.0. Nie ma karty modelu, daty odcięcia wiedzy, wskaźnika opóźnienia, cennika ani stwierdzenia, ile tokenów rozumowania model generuje na zadanie.

Dwa zdania we wpisie znaczą więcej niż cała reszta razem wzięta. Pierwsze znajduje się w sekcji poświęconej tworzeniu gier i opisuje projekt Unreal Engine 5.8: „Ponieważ jest to model wyłącznie tekstowy i nie widzi ekranu, przekształcił problemy wychwycone podczas testów rozgrywki — takie jak postać unosząca się nad ziemią, niespójny kierunek biegu i źle umieszczona kamera — w mierzalne testy w kodzie”. To wyjątkowo szczery opis obejścia — model napisał testy, ponieważ nie mógł spojrzeć na grę — i najwyraźniejsze jak dotąd stwierdzenie, że jest to system typu tekst na wejściu, tekst na wyjściu, którego kompetencje wizualne są delegowane do narzędzi.

Drugi to akapit zamykający: ERNIE 5.5 Flash Preview „jest pośrednim checkpointem z etapu post-training. Jest już konkurencyjny względem modeli o podobnych rozmiarach, ale ponieważ trening nie został ukończony, niektóre zdolności mogą wciąż nie dorównywać”. Wpis zapowiadający premierę, który mówi, że premiera nie została dokończona, jest wart więcej niż taki, który tego nie mówi, i stawia w nowym świetle wszystko powyżej. Nie czytasz ogłoszenia produktu. Czytasz raport z postępów z dołączoną tablicą wyników, opublikowany po to, by użytkownicy przekazali informacje zwrotne przed oficjalnym wydaniem.

Dwadzieścia wierszy wzorcowych — przeczytaj uważnie.

Tabela w załączniku to pojedynczy obraz, co samo w sobie jest drobną poszlaką: liczb nie można skopiować, posortować ani sprawdzić w arkuszu kalkulacyjnym. Odczytana z obrazu kolumna ERNIE przedstawia się następująco — wszystkie dane zgłoszone przez Baidu i nieodtworzone:

• Kodowanie agentowe — Terminal-Bench 4.0: 46,5, DeepSWE v1.1: 71,2, ProgramBench (prawie rozwiązane): 29,5, NL2Repo-Bench: 64,8, Terminal-Bench-Science 0.1: 21,0.

• Korzystanie z komputera i automatyzacja — CookieBench na poziomie 88.2, AutomationBench na poziomie 61.9, APEX-Agents 1.1 na poziomie 64.2, DRACO na poziomie 84.9.

• Praca oparta na wiedzy — SpreadsheetBench V2: 36,4; OfficeQA Pro V2: 67,9; Agents' Last Exam (CLI): 29,0; SkillsBench 1.1 w wersji tekstowej: 73,5.

• Ogólni agenci i użycie narzędzi — Toolathlon-Verified na poziomie 79,0, MCP-Atlas na poziomie 84,6, BrowseComp na poziomie 87,4.

• Rozumowanie — HLE bez narzędzi na poziomie 46,4 ze znacznikiem przypisu, AA-Omniscience-Public na poziomie 25,2, AA-LCR v1.1 na poziomie 79,0.

• 3D — BlenderWorld wyłącznie tekst na poziomie 79,0, jedyny wiersz, który bezpośrednio odnosi się do twierdzeń o CAD i Blender zawartych w treści.

Uczciwość kryje się w przypisach i warto je przeczytać, zanim spojrzy się na którąkolwiek z komórek. Każdy benchmark uruchamiano na nazwanym harnessie — pojawiają się Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 i coś oznaczone skrótem DSH — a modelami sędziowskimi są Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 i Gemini 3.1 Flash-Lite. W jednym z przypisów przyznano, że „GLM-5.3 i nasz model nie mają natywnych możliwości multimodalnych; rozumienie obrazów zapewnia narzędzie oparte na Claude Opus 5.5”. Innymi słowy, co najmniej część benchmarków zależnych od widzenia została ukończona przez ERNIE 5.5 Flash Preview za pośrednictwem narzędzia wywołującego model konkurencji. To uzasadniony wybór inżynierski i naprawdę dziwna rzecz do odkrycia w tabeli wyników, a przy tym oznacza, że wiersze wymagające patrzenia na cokolwiek mierzą cały harness, a nie sam model.

Dwa wiersze z prefiksem AA zasługują na osobne zastrzeżenie. AA-Omniscience-Public i AA-LCR v1.1 to benchmarki opublikowane przez Artificial Analysis, niezależny tracker — ale to są uruchomienia Baidu, a nie uruchomienia Artificial Analysis. Na dzień 11 listopada nie ma wiersza ERNIE 5.5 na leaderboardzie Artificial Analysis, więc nie ma niezależnej liczby, którą można by zestawić z którąkolwiek z tych komórek.

Demo reel to właściwy argument.

Jeśli tabela benchmarków jest częścią, którą będzie się cytować, to cztery studia przypadków są częścią, którą trudno sfałszować, ponieważ opisują wytwory pracy, a nie wyniki punktowe. Szczegóły są wystarczająco konkretne, by co do zasady można je było sprawdzić, i wystarczająco namacalne, by były przydatne, gdy decydujesz, na co skierować ten model.

• Tworzenie gier — gra trzecioosobowa na Unreal Engine 5.8 zbudowana w ramach jednego 11-godzinnego zadania programistycznego, scalająca zasoby z kilku generacji silnika w jeden projekt i napisana w C++; osobno prawie 100 mobilnych mini-gier wygenerowanych na podstawie dokumentów projektowych w Cocos, Unity, LayaAir, PixiJS i Canvas 2D, z których większość strukturyzuje reguły jako deterministyczną symulację, dzięki czemu przejścia botów i przeszukiwanie przestrzeni stanów mogą zweryfikować, że każdy poziom da się ukończyć.

• Modelowanie 3D — Boeing 747 i lotnisko Pekin Daxing zbudowane przez dwa agenty za pośrednictwem API Pythona w Blenderze, jeden pracujący nad lotniskiem, a drugi nad samolotem, następnie dopasowane pod względem skali, oświetlone, wyrenderowane klatka po klatce w Cycles i OptiX oraz zmontowane za pomocą FFmpeg; kompleks świątyni Hōryū-ji zbadany i zbudowany krok po kroku; sekwencja previs licząca około 2100 obiektów i 1,82 mln trójkątów w czterech scenach Blendera; silnik W16, dwie wieże w Shenzhen i łazik księżycowy wymodelowane w FreeCAD za pomocą skryptów Pythona.

• Praca oparta na wiedzy — 20-stronicowy raport badawczy na temat kosztów energii elektrycznej w centrach danych, 24-stronicowa analiza jazdy autonomicznej oparta na 4169 federalnych raportach o wypadkach, interaktywny skoroszyt do planowania majątku z symulacją Monte Carlo na 1000 ścieżek oraz utwór orkiestrowy o długości 6 minut i 34 sekund dostarczony w formacie WAV. Stojąca za tym historia treningowa to największa liczba w poście: 300 000 obszarów roboczych zawierających 10 milionów plików referencyjnych w ponad 40 typach plików.

• Wideo — ponad 150 000 środowisk tworzenia i około 5300 minut gotowego materiału wideo, z których na czoło wysuwa się 116-sekundowy animowany film krótkometrażowy 2D napisany w ponad 10 000 linii kodu w Pythonie, który przeprowadza jednego sparametryzowanego pelikana przez 20 stylów artystycznych.

To, co je łączy, to fakt, że żadna z nich nie jest interakcją czatową. Każda jest długim przebiegiem agentowym z wywołaniami narzędzi, a stawiana teza dotyczy wytrzymałości — tego, czy model potrafi utrzymać spójny plan przez wiele godzin edycji. To właśnie ta właściwość jest najgorzej mierzona przez dwudziestowierszową tabelę benchmarków i to dlatego wpis rozpoczyna się od artefaktów.

Gdzie wpis o premierze i endpoint się nie zgadzają

Model opisany we wpisie i model opisany w arkuszu specyfikacji Qianfan to rozpoznawalnie ten sam system widziany oczami dwóch działów, które nie porównały notatek. Punkt końcowy uruchomiono 10 listopada w cenie $0.28 za milion tokenów wejściowych i $1.13 za milion tokenów wyjściowych, przy odczytach z pamięci podręcznej po $0.028, kontekście 1 024 000 tokenów, limicie wyjścia 921 600 tokenów, obowiązkowym rozumowaniu na jednym wysokim poziomie wysiłku i bez karty modelu. Wpis o wydaniu, opublikowany dzień później, powtarza okno kontekstu, całkowicie pomija cenę, nie mówi nic o obowiązkowym rozumowaniu i dostarcza tyle materiału pozycjonującego, ile zawiera karta modelu, nie dostarczając samej karty modelu.

Praktyczna konsekwencja jest taka, że obie połowy tej historii trzeba czytać razem albo wcale. Wpis mówi, że model potrafi utrzymać jedenastogodzinne zadanie programistyczne; endpoint mówi, że wszystko, co model „myśli”, jest rozliczane według stawki za tokeny wyjściowe i że nie można wyłączyć myślenia. Uruchomienie, które spędza godziny na iterowaniu, to uruchomienie emitujące ogromną liczbę tokenów wyjściowych, a przy 1,13 USD za milion koszt filmu demonstracyjnego jest pytaniem, którego wpis nigdy nie stawia. Dopóki ktoś nie zmierzy tokenów wyjściowych na ukończone zadanie we własnym obciążeniu, każde porównanie tego modelu z tańszym jest porównaniem cenników.

Czego jeszcze brakuje, i to nie jest coś małego

Trzy braki określają obecny stan ERNIE 5.5 Flash Preview i każdy z nich rozwiązuje się w innym horyzoncie czasowym.

• Wagi. We wpisie obiecano Apache 2.0 „wkrótce”, ale nie podano daty, a na dzień 11 listopada na Hugging Face nie ma repozytorium podglądowego — jedynymi artefaktami ERNIE 5.5 opublikowanymi tam są ERNIE-5.5-Flash-Base i jego wariant BF16, oba utworzone 21 października. Bazowy checkpoint udostępniono na licencji ERNIE 5.5 Flash Base, ograniczonej licencji społecznościowej, która wyklucza Unię Europejską, Wielką Brytanię i Koreę Południową, ogranicza bezpłatne użycie komercyjne w zależności od powiązanego rocznego przychodu i wymaga atrybucji „Powered by ERNIE”. Jeśli wagi wersji podglądowej rzeczywiście pojawią się na licencji Apache 2.0, będzie to zmiana warunków licencji dla całej rodziny i znacznie większa sprawa niż jakikolwiek wiersz z wynikami benchmarków.

• Niezależny wynik. Niczego w tym wydaniu nie uruchomił nikt inny niż Baidu. Benchmarki z „AA” w nazwie to te, na które warto zwrócić uwagę, ponieważ Artificial Analysis korzysta z własnych środowisk testowych i opublikuje porównywalny wiersz, jeśli i kiedy doda ten model; do tego czasu dwadzieścia komórek to twierdzenie, a nie pomiar.

• Gotowy model. Baidu twierdzi, że szkolenie po treningu wstępnym wciąż trwa i że oficjalna premiera będzie ulepszoną wersją względem wersji zapoznawczej. To jednoznaczne stwierdzenie, że dzisiejsze liczby mają ograniczoną ważność, i sprawia, że każda decyzja o budowaniu na tym checkpointcie staje się decyzją dotyczącą ruchomego celu.

Jak to ocenić bez ryzykowania ścieżki produkcyjnej

Dostęp odbywa się przez własne API Qianfan firmy Baidu albo przez zewnętrzne platformy, które je odsprzedają. OrcaRouter nie routuje modelu ERNIE 5.5 Flash Preview — w naszym katalogu ponad 200 modeli nie ma wpisu ERNIE i nie stoi za nim żaden punkt końcowy Baidu, więc nic tutaj nie powinno być odczytywane jako oferta udostępniania go.

To, do czego katalog przydaje się w tej sytuacji, to druga strona zestawienia: modele, z którymi ten jest porównywany, wszystkie są dostępne za pomocą jednego klucza zgodnego z OpenAI w cenie katalogowej dostawcy z zerowym narzutem, co pozwala Ci samodzielnie przepuścić te same dwadzieścia zadań przez GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 i DeepSeek V4.1 Flash i sprawdzić, czy kolejność Baidu przetrwa zetknięcie z Twoimi promptami. Automatyczne przełączanie awaryjne spełnia drugą funkcję — wersja zapoznawcza bez historii dostępności nigdy nie musi być jedynym elementem podtrzymującym ścieżkę żądania, ponieważ fallback z routingiem może przejąć wywołanie, jeśli się ono zawiesi.

Ewaluacja, którą warto przeprowadzić w tym tygodniu, jest wąska i tania. Weź dziesięć własnych zadań agentowych o długim horyzoncie, przepuść każde przez podgląd i przez dwa modele, którym już ufasz, i zapisz trzy rzeczy na zadanie: czy zostało ukończone, ile tokenów wyjściowych zużyło i ile kosztowało. To daje dwie liczby, których Baidu nie opublikował — tokeny na zadanie i koszt na ukończone zadanie — względem bazowego poziomu, który sam wybrałeś. Wszystko inne w poście o wydaniu, w tym 46,5, to cudzy harness.

To, co rozstrzygnęłoby tę kwestię, to nie kolejne demo. To data wydania na licencji Apache 2.0, karta modelu z datą odcięcia wiedzy i tabelą ewaluacji, wiersz Artificial Analysis wygenerowany przez Artificial Analysis oraz drugi checkpoint, którego liczby można porównać z tymi. Baidu opublikowało teraz historię, którą powinno było opublikować 10 listopada. Następną rzeczą, którą jest winne swoim użytkownikom, jest artefakt, który pozwoli im przestać wierzyć mu na słowo w kwestii tabeli wyników.