Ling-3.2-flash vs ERNIE 5.5 Flash: jeden jest produktem, drugi punktem wyjścia

Dwa chińskie laboratoria udostępniły modele zbliżone do flagowych w ciągu kilku godzin od siebie 5 listopada 2026 r., a niemal każde porównanie Ling-3.2-flash i ERNIE 5.5 Flash, jakie można napisać, rozpada się w momencie, gdy zauważysz, że nie są tym samym rodzajem obiektu. Ling-3.2-flash to gotowy, dostrojony do instrukcji multimodalny model czatu: tekst, obraz i wideo na wejściu, odpowiedzi na wyjściu, dostępny na endpointcie Ant Ling zgodnym z OpenAI i bezpłatny przez dwa tygodnie. Tym, co opublikował Baidu, jest ERNIE-5.5-Flash-Base — checkpoint na końcu pre-treningu, przed mid-trainingiem, przed dostrajaniem do instrukcji, tylko tekstowy, udostępniany przez endpoint completions, ponieważ nie nauczono go jeszcze wykonywania instrukcji. Na własnej stronie wydania Baidu napisano, że poddany post-trainingowi ERNIE 5.5 Flash „pojawi się później”.

Ta jedna asymetria rozstrzyga większość praktycznych pytań poniżej. Jeden model możesz wywołać jeszcze dziś po południu. Drugi możesz pobrać, dostroić i przekształcić w coś — co jest zupełnie innym zakupem, z dołączoną umową prawną.

Te dwa obiekty, obok siebie

Poniżej znajduje się to, co każdy dostawca dokumentuje obecnie. Jeśli jakaś liczba pochodzi od samego dostawcy i nie została odtworzona, jest to zaznaczone.

• Parametry całkowite i aktywne — Ling-3.2-flash: 560B łącznie / 25B aktywnych; ERNIE-5.5-Flash-Base: 280B łącznie / 14B aktywnych na token, plus 0,36B parametrów ECHO, których oba te liczniki nie uwzględniają.

Dane wejściowe — Ling-3.2-flash natywnie przyjmuje tekst, obrazy i wideo, z blokami image_url i video_url w żądaniu; ERNIE-5.5-Flash-Base obsługuje wyłącznie tekst, kropka.

• Co otrzymujesz — Ling-3.2-flash to model czatu po treningu dostrajającym udostępniany przez API; ERNIE-5.5-Flash-Base to surowe wagi po wstępnym szkoleniu, które należy samodzielnie poddać treningowi dostrajającemu.

• Architektura — Ling-3.2-flash to MoE z hybrydowo-liniowej rodziny Ling, którą Ant rozwija od wersji 3.1; ERNIE-5.5-Flash-Base ma 43 warstwy (jedna gęsta FFN, 42 Multi-Router Latent MoE), 512 ekspertów routowanych z routingiem top-10 plus jeden ekspert współdzielony, 37 warstw Heavily Compressed Attention i sześć warstw MLA z rzadką uwagą.

• Kontekst — Ling-3.2-flash udostępnia w API okno 1 mln tokenów; ERNIE-5.5-Flash-Base był trenowany na 128K, a jego opublikowana konfiguracja umożliwia 1 048 576 tokenów do dostrajania i wnioskowania, co nie jest tym samym twierdzeniem.

• Wagi — Ling-3.2-flash nie ma żadnych opublikowanych; ERNIE-5.5-Flash-Base udostępnia safetensors w FP8 i BF16 na Hugging Face i ModelScope.

• Cena — Ling-3.2-flash jest darmowy przez dwa tygodnie po premierze, bez opublikowanej stawki na piętnasty dzień; ERNIE-5.5-Flash-Base nie ma ceny hostowanej, ponieważ Baidu go nie udostępnia, a hostowanie własne kosztuje tyle, ile kosztuje cię 280B wag.

Żaden z tych wierszy nie jest twierdzeniem o jakości. To opis tego, co byś kupował.

Do czego Ling-3.2-flash faktycznie się nadaje, sądząc po dowodach

Materiały premierowe Ant to trzy liczby z benchmarków i pięć filmów demonstracyjnych. Liczby porównują Ling-3.2-flash z Opus 5 przy maksymalnym wysiłku na OmniDocBench1.5 (92,21 vs 90,56), ZEROBench(Sub) (43,71 vs 39,52) i Vision2Web (85,86 vs 80,20). Wszystkie trzy pochodzą od dostawcy, wszystkie trzy dotyczą zadań wizualnych i żadna nie została odtworzona przez stronę trzecią. Czytane razem mówią jedno: w parsowaniu dokumentów, rozumowaniu o scenach 3D i zadaniach przekształcania obrazu w stronę internetową Ant uważa, że przewyższa czołowy zamknięty model. Nie twierdzą zupełnie nic o rozumowaniu tekstowym, programowaniu ani pracy agentowej w terminalu, czyli tam, gdzie wciąż trafia większość ruchu produkcyjnego.

Demówki mówią więcej niż liczby, ponieważ pokazują pętlę, dla której Ant zbudował model. Ling-3.2-flash analizuje rendery headless sfer materiałowych, porównuje mapy chropowatości i normalnych oraz przepisuje własny skrypt; steruje Blenderem poprzez akcje w interfejsie użytkownika; konwertuje rysunki techniczne na modele 3D do sieci; czyta badawcze PDF-y z równaniami i implementuje algorytmy w kodzie. Każde z tych zadań wymaga, aby model spojrzał na artefakt pośredni i poprawił się. To właśnie daje natywne trenowanie multimodalne w porównaniu z modelem tekstowym z adapterem wizyjnym i to jest zdolność, którą należy przetestować najpierw, jeśli to jest twój przypadek użycia.

Dwa zastrzeżenia operacyjne trzeba podać jednym tchem. Ant dokumentuje globalny limit dwóch zapytań na sekundę, z błędami 429 powyżej niego, oraz 90-sekundowy limit czasu dla wywołań synchronicznych, z zalecanym strumieniowaniem. A model jest bezpłatny tylko do około 19 listopada; strona z cennikiem podaje, że pierwotne stawki obowiązują ponownie później, nie mówiąc, jakie są.

Do czego ERNIE-5.5-Flash-Base naprawdę się nadaje

Argument Baidu opiera się na przesunięciu kosztów i jest spójny. Firma przeznaczyła moc obliczeniową na wstępne trenowanie 33,5 biliona tokenów z optymalizatorem Muon; Ty przeznaczasz swoją na adaptację dziedzinową, dostrajanie do instrukcji lub uczenie ze wzmocnieniem, wychodząc od punktu kontrolnego, który ma już wbudowany kod w skali repozytorium i zachowanie długiego kontekstu. Wydanie jest wyjątkowo czyste jako punkt odniesienia badawczy: jeden punkt kontrolny na końcu wstępnego trenowania, bez trenowania pośredniego i bez trenowania końcowego, dzięki czemu można porównać dwie metody dostrajania, nie spierając się o to, co baza już wiedziała.

Ocena Baidu porównuje go z trzema podobnej wielkości otwartymi modelami bazowymi — DeepSeek-V4-Flash-Base (284B-A13B), Hy3-preview-Base (295B-A21B) i MiMo-V2.5-Base (310B-A15B) — w ramach jednego środowiska testowego, jednego zestawu promptów i jednego sędziego, w 30 benchmarkach w siedmiu kategoriach. To lepiej kontrolowane porównanie niż większość tabel premierowych, ale wciąż przeprowadzone przez dostawcę. Najważniejsza godna uwagi teza architektoniczna: 37 z 43 warstw oblicza uwagę na sekwencji skompresowanej 128×, a Baidu twierdzi, że sześć warstw MLA wystarcza do utrzymania wydajności w długim kontekście. Jeśli to się potwierdzi w niezależnych testach, będzie to najciekawsza rzecz w tym wydaniu — kompresja 128×, która nie kosztuje cię wyszukiwania w długim kontekście.

Haczyk tkwi w licencji i nie jest to drobiazg. ERNIE 5.5 Flash Base Model License Agreement v1.0 definiuje Terytorium jako „wszystkie obszary geograficzne na świecie poza Unią Europejską, Zjednoczonym Królestwem i Koreą Południową” i wymaga, aby materiały nie były używane, rozpowszechniane ani wyświetlane poza nim. Użycie komercyjne jest bezpłatne poniżej 50 mln USD rocznego przychodu z powiązanych produktów, pod warunkiem że wyślesz jednorazowe powiadomienie i wyraźnie wyświetlisz „Powered by ERNIE” w interfejsie użytkownika, na stronie internetowej, na stronie „o nas” lub w dokumentacji produktu. Powyżej 50 mln USD potrzebujesz odrębnej uprzedniej pisemnej zgody Baidu, zanim przekroczysz tę granicę, a jeśli przekroczysz ją bez niej, korzystanie musi zostać zawieszone.

Uczciwe ujęcie tego „darmowego” checkpointu 280B wygląda więc tak: można go bezpłatnie pobierać wszędzie poza trzema jurysdykcjami, można go komercyjnie używać do pewnego progu przychodów, a wiąże się z nim obowiązek brandingowy, który większość zespołów produktowych zauważy na swojej stronie marketingowej, zanim zauważy go w licencji.

Który wybrać, w zależności od tego, co robisz

Wybierz Ling-3.2-flash, jeśli praca ma charakter wizualny i potrzebujesz odpowiedzi w tym miesiącu. Ekstrakcja dokumentów, w której istotny jest układ, agenci interfejsu sterowani zrzutami ekranu, konwersja rysunków do 3D, triage obrazowania medycznego — cokolwiek, gdzie model musi sprawdzić własne wyrenderowane dane wyjściowe. API ma kształt zgodny z OpenAI, więc integracja sprowadza się do zmiany base-URL, a dwutygodniowe darmowe okno oznacza, że ewaluacja nie kosztuje nic poza Twoim czasem. Nie umieszczaj go jeszcze na ścieżce produkcyjnej: nie ma opublikowanej ceny, niezależnego wyniku, wag ani dostawcy zapasowego.

Wybierz ERNIE-5.5-Flash-Base, jeśli masz możliwości prowadzenia post-trainingu i własną domenę. Bazowy model 280B-A14B z udokumentowaną architekturą, działającymi recepturami SGLang i vLLM, kompilacjami FP8 i BF16 oraz przykładem dostrajania Megatron-Bridge to realny atut dla zespołu, który chce mieć własny model. Sprawdź klauzulę Territory pod kątem swojego podmiotu prawnego przed rozpoczęciem, a nie po. I nie oceniaj go w benchmarkach jako modelu czatu — kontynuuje tekst, nie odpowiada na żądania, więc każde porównanie w zakresie wykonywania instrukcji z Ling-3.2-flash mierzy niewłaściwą rzecz.

Jeśli naprawdę chciałeś gotowego ERNIE do wywołania, poczekaj. Baidu twierdzi, że ERNIE 5.5 Flash po treningu końcowym nadchodzi, a dopóki się nie pojawi, nie ma hostowanego ERNIE 5.5 w cenniku Qianfan — międzynarodowa lista, którą dziś czytaliśmy, zawiera ERNIE 5.1, ERNIE 5.0 i ERNIE 4.5 Turbo, bez wiersza 5.5.

Żadnego z nich nie ma w naszym katalogu — oto co jest

Mówiąc wprost o routingu: ponownie odczytaliśmy katalog OrcaRouter 6 listopada i zwraca on 215 identyfikatorów modeli. Nie ma w nim żadnego wpisu Ling, inclusionAI, Ring ani ERNIE; jedyne dopasowania „ling” to modele wideo Kling. Zatem to porównanie nie jest wyborem między dwiema rzeczami, do których jeden klucz już dociera.

To, do czego jeden klucz faktycznie daje dostęp po cenie katalogowej dostawcy bez marży, to modele, które obsługują te same dwa zadania. W przypadku zadań wizyjnych z opublikowaną stawką Qwen3.8-Flash kosztuje 0,15 USD za milion tokenów wejściowych i 0,47 USD za milion tokenów wyjściowych. W przypadku tanich agentów tekstowych na dużą skalę DeepSeek V4.1 Flash kosztuje 0,15 USD i 0,60 USD, a GLM-5.3-Flash — 0,15 USD i 0,50 USD. Wszystkie trzy przyjmują żądania w formacie OpenAI, więc przeniesienie integracji Ling-3.2-flash na nie to zmiana ciągu modelu, a nie przepisanie — co ma znaczenie, gdy darmowe okno się zamknie, a nadal nie masz cennika.

To jest również argument za umieszczeniem routera przed samodzielnie hostowanym dostrojonym modelem ERNIE, zamiast kierowania aplikacji bezpośrednio na własny klaster: jeden punkt końcowy, jeden klucz i automatyczne przełączanie awaryjne na model hostowany, gdy Twoje GPU są przeciążone lub trwa wdrożenie kroczące. DSL routingu łączy kilka modeli w jedno wywołanie, dzięki czemu model wizyjny i model tekstowy uruchomisz jako jeden krok zamiast dwóch.

Rzecz, na którą warto zwrócić uwagę

Oba wydania są w połowie ukończone w przeciwnych kierunkach, a obie luki domkną się zgodnie z harmonogramem kogoś innego. Ant zalega z cennikiem, kartą modelu i — jeśli wzorzec z 2026 roku się utrzyma — checkpointem na licencji MIT. Baidu zalega z dostrojonym ERNIE 5.5 Flash oraz z jaśniejszym oświadczeniem, czy klauzula Territory dotyczy wyników modelu, czy tylko wag i ich pochodnych, co — jak sugeruje sam tekst — ma szerszy zakres, niż założy większość zespołów.

Dopóki któraś z tych opcji nie wejdzie, porównanie ma prosty kształt: Ling-3.2-flash to ten, który możesz ocenić już dziś, ale nie możesz go uwzględnić w budżecie, a ERNIE-5.5-Flash-Base to ten, który możesz uwzględnić w budżecie, ale nie możesz go wywołać.