ERNIE 5.5 Flash Preview quer a sua tarefa mais difícil: o que a construção de onze horas realmente comprova

O ERNIE 5.5 Flash Preview entrou em operação como endpoint cobrado na plataforma Qianfan, da Baidu, em 10 de novembro de 2026, e o post oficial de lançamento veio em 11 de novembro com uma única alegação de destaque: dê a ele suas tarefas mais difíceis. Essa alegação se apoia em um artefato mais do que em qualquer outra coisa — um jogo em terceira pessoa na Unreal Engine 5.8 criado no que a Baidu descreve como uma única tarefa de programação de onze horas — e em vinte linhas de benchmark que a Baidu executou em seus próprios harnesses com avaliadores que ela selecionou. Nem as onze horas nem os vinte números foram reproduzidos fora da empresa. A pergunta interessante não é se a demonstração é impressionante. É se uma execução agêntica de onze horas é sequer a coisa certa a se medir, e o que a ficha técnica diz sobre a conta que você pagaria por uma. O catálogo contém 228 modelos de 17 provedores e não há nenhuma entrada do ERNIE em um catálogo de 228 modelos de 17 provedores então o grupo de comparação está a uma chave de distância, embora o assunto não esteja.

A afirmação diz respeito à duração, não à dificuldade

Todo post de lançamento de modelo diz que o modelo é bom em coisas difíceis. Este define difícil de outra forma: define como longo. A build do jogo, as cenas 3D, os espaços de trabalho com milhares de arquivos e o curta-metragem animado de 116 segundos são todos exercícios de manter um plano coeso ao longo de horas de edições e chamadas de ferramentas, não de responder a uma pergunta que um modelo menor erraria.

Essa distinção importa porque as duas propriedades se separam. Um modelo pode ser excelente em raciocínio de turno único e entrar em colapso na quarta hora de uma refatoração, quando o contexto está cheio de seus próprios erros anteriores e o plano precisa ser revisado em vez de executado. Um modelo também pode ser medíocre em um quebra-cabeça de uma única tentativa e ainda assim ser a escolha certa para uma build durante a noite. A Baidu está apostando que você se importa com a segunda coisa.

A frase mais útil de todo o post não é um benchmark. Ela está na seção de desenvolvimento de jogos e descreve como o modelo trabalhou sem conseguir enxergar: como é somente texto e não pode olhar para a tela, ele converteu bugs identificados nos testes de jogabilidade — um personagem flutuando acima do chão, uma direção de corrida inconsistente, uma câmera mal posicionada — em testes mensuráveis no código. Essa é uma descrição franca de uma solução alternativa, e ela revela algo que a ficha técnica não mostra. A competência do modelo em trabalho visual é delegada a ferramentas que ele mesmo escreve, o que significa que a qualidade do resultado depende de ele conseguir inventar um teste verificável para aquilo que não consegue ver.

O que o reel realmente contém

Vale a pena listar os quatro estudos de caso porque são mais específicos do que o texto de lançamento costuma ser, e a especificidade é o que os torna verificáveis em princípio.

• Desenvolvimento de jogos — um jogo em terceira pessoa na Unreal Engine 5.8 criado em uma única tarefa de onze horas, mesclando ativos de várias gerações da engine em um único projeto e escrevendo o jogo em C++; separadamente, quase cem minijogos para dispositivos móveis gerados a partir de documentos de design em Cocos, Unity, LayaAir, PixiJS e Canvas 2D, a maioria deles estruturando suas regras como uma simulação determinística para que partidas de bots e a busca no espaço de estados possam provar que todos os níveis são concluíveis.

• Modelagem 3D — um Boeing 747 e o aeroporto de Pequim Daxing construídos por dois agentes por meio da API Python do Blender, um no aeroporto e outro na aeronave, depois igualados em escala, iluminados, renderizados quadro a quadro com Cycles e OptiX e cortados com FFmpeg; o complexo do templo Hōryū-ji pesquisado e montado passo a passo; uma sequência de previs de cerca de 2.100 objetos e 1,82 milhão de triângulos distribuídos por quatro cenas do Blender; um motor W16, duas torres de Shenzhen e um rover lunar modelados no FreeCAD por meio de scripts Python.

• Trabalho de conhecimento — um relatório de investigação de 20 páginas sobre custos de eletricidade de centros de dados, uma análise de 24 páginas sobre condução autónoma baseada em 4.169 relatórios federais de acidentes, uma pasta de trabalho interativa de planeamento patrimonial com um Monte Carlo de 1.000 trajetórias, e uma peça orquestral de 6 minutos e 34 segundos entregue como ficheiro WAV.

Vídeo — mais de 150 000 ambientes de criação e cerca de 5 300 minutos de vídeo finalizado, tendo como destaque uma curta-metragem de animação 2D de 116 segundos escrita em mais de 10 000 linhas de Python que faz um único pelicano parametrizado percorrer 20 estilos artísticos.

A cifra de treinamento por trás da seção de trabalho do conhecimento é o maior número da publicação: 300.000 espaços de trabalho contendo 10 milhões de arquivos de referência em mais de 40 tipos de arquivo. Isso é uma afirmação sobre aquilo para o que o modelo foi treinado a sobreviver, e é a parte do argumento que uma tabela de benchmark não consegue apresentar de forma alguma.

As vinte linhas, lidas pelo que dizem sobre sequências longas

O apêndice é uma única imagem, o que significa que os números não podem ser copiados, ordenados ou conferidos com uma planilha. Lidos diretamente dessa imagem, a coluna ERNIE apresenta-se assim, todos informados pelo fornecedor e não reproduzidos:

• Codificação agêntica — Terminal-Bench 4.0 com 46,5; DeepSWE v1.1 com 71,2; ProgramBench (Quase resolvido) com 29,5; NL2Repo-Bench com 64,8; Terminal-Bench-Science 0.1 com 21,0.

• Uso de computador e automação — CookieBench em 88,2, AutomationBench em 61,9, APEX-Agents 1.1 em 64,2, DRACO em 84,9.

• Trabalho do conhecimento — SpreadsheetBench V2 em 36,4; OfficeQA Pro V2 em 67,9; Agents' Last Exam (CLI) em 29,0; SkillsBench 1.1 somente texto em 73,5.

• Agentes gerais e uso de ferramentas — Toolathlon-Verified em 79,0, MCP-Atlas em 84,6, BrowseComp em 87,4.

• Raciocínio — HLE sem ferramentas em 46,4, AA-Omniscience-Public em 25,2, AA-LCR v1.1 em 79,0.

• 3D — BlenderWorld somente texto em 79,0.

A tabela é muito mais útil quando lida como um mapa daquilo que ainda falha do que como um placar. Quatro linhas ficam abaixo de 40: ProgramBench com 29,5, Agents' Last Exam na linha de comando com 29,0, AA-Omniscience-Public com 25,2 e Terminal-Bench-Science com 21,0. Esses não são benchmarks brandos. Agents' Last Exam é projetado para ficar próximo da fronteira do que um agente consegue concluir de forma autônoma; o teste de omnisciência pune respostas erradas dadas com confiança; o Terminal-Bench-Science testa tarefas de nível laboratorial em que um procedimento aparentemente plausível não vale nada. Um modelo que quer sua tarefa mais difícil e marca 21,0 na variante de ciência do benchmark agêntico mais difícil está dizendo onde o teto se encontra atualmente. SpreadsheetBench V2 com 36,4 diz algo semelhante sobre trabalho com planilhas especificamente, o que contrasta de modo incômodo com a planilha Monte Carlo de 1.000 caminhos do post de lançamento.

As linhas acima de {{1}}80{{/1}} são igualmente informativas por um motivo diferente. BrowseComp em {{2}}87.4{{/2}}, MCP-Atlas em 84.6, CookieBench em 88.2 e DRACO em 84.9 são todas tarefas nas quais o modelo é avaliado por um estado final concluído e verificável, e não por uma resposta. Esse padrão — forte em conclusão verificável, fraco em julgamento científico aberto — é exatamente o que você esperaria de um modelo treinado em 300.000 espaços de trabalho repletos de arquivos que ou compilam ou não.

A honestidade está nas notas de rodapé. Cada benchmark foi executado em um harness nomeado, com Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 e algo abreviado como DSH todos figurando, e os modelos juízes são Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 e Gemini 3.1 Flash-Lite. Uma nota de rodapé admite que o GLM-5.3 e este modelo não têm capacidade multimodal nativa e que a compreensão de imagens foi fornecida por meio de uma ferramenta alimentada pelo Claude Opus 5.5. Portanto, ao menos algumas das linhas dependentes de visão medem um harness no qual o ERNIE 5.5 Flash Preview chama o modelo de um concorrente para olhar as coisas. Isso é uma escolha de engenharia legítima e uma coisa estranha de se encontrar em um placar.

As duas linhas com o prefixo AA exigem uma ressalva própria. AA-Omniscience-Public e AA-LCR v1.1 são benchmarks publicados pela Artificial Analysis, o monitor independente, mas estas são execuções da Baidu desses benchmarks. Em 11 de novembro, não há uma linha do ERNIE 5.5 no ranking da Artificial Analysis, portanto não há número independente para contrapor a nenhuma das duas células.

Quanto custaria uma corrida de onze horas, e o que a Baidu não disse

A documentação do endpoint é a parte deste lançamento que transforma uma demo em uma decisão de engenharia. O Qianfan lista o ERNIE 5.5 Flash Preview a US$ 0,28 por milhão de tokens de entrada e US$ 1,13 por milhão de saída, com leituras em cache a US$ 0,028, uma janela de contexto de 1.024.000 tokens, um teto de saída de 921.600 tokens e raciocínio sempre ativo em um único nível elevado de esforço, sem forma de desativá-lo.

Esse teto de saída é a razão mecânica pela qual uma única execução longa é sequer concebível: o modelo pode emitir quase tantos tokens quanto toda a sua janela de contexto comporta. É também a razão pela qual a conta não é óbvia. O prompting é cobrado a um quarto da taxa de saída, mas tudo o que o modelo pensa é cobrado à taxa de saída, e um modelo que não consegue parar de pensar é um modelo cujo custo por tarefa é dominado por tokens que ninguém lê.

Faça as contas para uma chamada única máxima, que é o caso mais favorável disponível. Preencher a janela de 1.024.000 tokens custa cerca de US$ 0,29 pela tarifa de entrada. Emitir o teto total de saída de 921.600 tokens custa cerca de US$ 1,04. Isso dá aproximadamente US$ 1,33 por uma chamada que esgota ambos os limites. O build do Unreal de onze horas muito provavelmente não fez isso, e o post de lançamento não diz quantos tokens ele consumiu, quantas chamadas separadas foram necessárias nem quanto custou. Até que alguém meça os tokens de saída por tarefa concluída na própria carga de trabalho, qualquer afirmação sobre este modelo ser barato ou caro em trabalhos difíceis é uma comparação de tabelas de preços, não de resultados.

Duas coisas que o lançamento ainda deve a você

A publicação termina chamando o ERNIE 5.5 Flash Preview de “um checkpoint intermediário do pós-treinamento”, admitindo que o treinamento não está concluído e que algumas capacidades ainda podem ficar aquém. Também promete que os pesos serão disponibilizados como open source sob a Apache 2.0 em breve, sem data, e, até 11 de novembro, não há repositório de prévia no Hugging Face — os únicos artefatos do ERNIE 5.5 publicados lá são o checkpoint base e sua variante BF16. Não há model card, nem data de corte de conhecimento, nem número de latência em lugar algum do lançamento.

Então, o resumo honesto de “dê a ele a sua tarefa mais difícil” é mais estreito do que o slogan. O ERNIE 5.5 Flash Preview é um modelo apenas de texto, com um contexto muito grande, um limite de saída incomumente grande, um histórico forte em tarefas que terminam em um artefato de construção, um histórico fraco em tarefas que terminam em um julgamento científico e zero verificação independente. Esse é um perfil real e específico. Também é um perfil que um segundo checkpoint provavelmente substituirá.

Como testar esse perfil sem apostar um caminho nele

A Baidu disponibiliza este modelo por meio de sua própria API Qianfan e de plataformas de terceiros que o revendem. O OrcaRouter não roteia o ERNIE 5.5 Flash Preview — não há entrada ERNIE em um catálogo de 228 modelos de 17 fornecedores nem endpoint da Baidu por trás dele —, portanto nada aqui deve ser interpretado como uma oferta de disponibilizá-lo.

O que o catálogo oferece de útil nesta situação é a outra metade do experimento. Os modelos com os quais este é comparado estão acessíveis por meio de uma única chave ao preço de tabela do provedor, sem acréscimo, o que significa que você pode executar as mesmas tarefas difíceis neles e comparar taxas de conclusão em vez de pontuações publicadas. O failover automático faz o segundo trabalho: uma prévia sem histórico de tempo de atividade nunca precisa ser a única coisa a sustentar um caminho de solicitação, porque um fallback roteado pode assumir a chamada quando ela trava na terceira hora.

A avaliação que vale a pena realizar esta semana é pequena. Pegue dez das suas próprias tarefas de agente de horizonte longo — aquelas que você normalmente não confiaria a uma única execução sem supervisão — e submeta cada uma ao ERNIE 5.5 Flash Preview e a dois modelos em que você já confia. Registre se ela foi concluída, quantos tokens de saída consumiu e quanto custou. Isso produz os dois números que a Baidu omitiu: tokens por tarefa e custo por tarefa concluída. Todo o resto no post de lançamento, incluindo o 46.5 e incluindo as onze horas, é o harness de outra pessoa na máquina de outra pessoa.

O que resolveria a questão não é mais um vídeo de demonstração. É uma data para o lançamento sob Apache 2.0, uma ficha de modelo com data de corte de conhecimento, uma linha do Artificial Analysis produzida pelo próprio Artificial Analysis e um segundo checkpoint cujos números possam ser comparados com os deste. A Baidu publicou a história que deveria ter publicado junto com o endpoint. A próxima coisa que deve às pessoas que acabou de convidar a entregar suas tarefas mais difíceis é o artefato que lhes permite parar de aceitar sua palavra sobre como as mais difíceis se saíram.