ERNIE 5.5 Flash Preview finalmente tem um post de lançamento, vinte benchmarks e uma promessa de pesos

46,5 no Terminal-Bench 4.0 é a primeira pontuação que a Baidu já publicou para o ERNIE 5.5 Flash Preview, e ela saiu em 11 de novembro de 2026 — um dia depois de o próprio modelo entrar no ar no Qianfan como um endpoint cobrado, com uma lista de preços e nenhuma documentação. O post de lançamento que traz esse número é a primeira declaração oficial sobre o modelo e responde às três perguntas que o endpoint não conseguia: o que ele é (280 bilhões de parâmetros totais com 14 bilhões ativos, contexto de 1M de tokens, pós-treinado no checkpoint ERNIE 5.5 Flash Base de 5 de novembro), como a Baidu diz que ele se compara (vinte linhas de benchmark colocadas ao lado de GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 e um modelo listado apenas como Hy4) e se você algum dia poderá executá-lo por conta própria (os pesos "serão open-source sob Apache 2.0 em breve"). Cada número dessa tabela é relatado pelo fornecedor, produzido nos próprios harnesses da Baidu com modelos juízes selecionados pela Baidu, e nada disso foi reproduzido fora da empresa. O grupo de benchmark é a parte desta comparação que você realmente pode controlar. preço de lista do provedor com 0% de markup GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 e DeepSeek V4.1 Flash ficam em uma única chave pelo preço de lista do provedor, com a taxa do OrcaRouter exibida como US$ 0,00.

O que a Baidu colocou na página

O post está estruturado como um reel de demonstração com um apêndice de benchmark, o que indica qual é o argumento na visão da Baidu. Quatro seções de capacidades — desenvolvimento de jogos, modelagem e design 3D, trabalho do conhecimento e criação de vídeo — cada uma construída a partir de artefatos que o modelo produziu de ponta a ponta dentro de um harness de agente, com ativos e ferramentas externos creditados peça por peça. A especificação fica no parágrafo inicial e nunca reaparece: 280B no total, 14B ativos, contexto de 1M de tokens, API no Qianfan, pesos prometidos sob Apache 2.0. Não há ficha de modelo, nem data de corte de conhecimento, nem número de latência, nem preço, nem declaração sobre quantos tokens de raciocínio o modelo emite por tarefa.

Duas frases no post importam mais do que todo o resto junto. A primeira está na seção de desenvolvimento de jogos, descrevendo o projeto Unreal Engine 5.8: “Como é um modelo somente de texto e não consegue ver a tela, ele transformou problemas identificados nos testes de jogabilidade, como um personagem flutuando acima do chão, uma direção de corrida inconsistente e uma câmera mal posicionada, em testes mensuráveis no código.” Essa é uma descrição incomumente franca de um contorno — o modelo escreveu testes porque não conseguia olhar o jogo — e é a declaração mais clara até agora de que este é um sistema de entrada e saída de texto cuja competência visual é delegada às ferramentas.

O segundo é o parágrafo final: ERNIE 5.5 Flash Preview "é um checkpoint intermediário do pós-treinamento. Ele já é competitivo com modelos do seu tamanho, mas, como o treinamento não terminou, algumas capacidades ainda podem ficar aquém." Um post de lançamento que avisa que o lançamento não terminou vale mais do que um que não avisa, e ele reenquadra tudo o que está acima dele. Você não está lendo um anúncio de produto. Está lendo um relatório de progresso com um placar anexado, publicado para que os usuários deem retorno antes do lançamento oficial.

As vinte linhas de benchmark, lidas com atenção

A tabela do apêndice é uma única imagem, o que por si só já é um pequeno indício: os números não podem ser copiados, ordenados ou verificados em uma planilha. Lidos a partir da imagem, a coluna do ERNIE apresenta os seguintes valores, todos reportados pela Baidu 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 com um marcador de nota de rodapé, AA-Omniscience-Public em 25,2, AA-LCR v1.1 em 79,0.

• 3D — BlenderWorld somente texto em 79,0, a única linha que aborda diretamente as alegações sobre CAD e Blender no corpo.

As notas de rodapé são onde mora a honestidade, e vale a pena lê-las antes de qualquer uma das células. Cada benchmark rodou em um harness nomeado — aparecem Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 e algo abreviado como DSH — 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 "GLM-5.3 e nosso modelo carecem de capacidades multimodais nativas; a compreensão de imagens é fornecida por meio de uma ferramenta alimentada pelo Claude Opus 5.5." Em outras palavras, ao menos alguns dos benchmarks dependentes de visão foram concluídos pelo ERNIE 5.5 Flash Preview acionando uma ferramenta que chama o modelo de um concorrente. Essa é uma escolha legítima de engenharia e uma coisa genuinamente estranha de se descobrir em um placar, e significa que as linhas que envolvem olhar para qualquer coisa medem o harness inteiro, não o modelo sozinho.

As duas linhas que trazem o prefixo AA merecem 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 deles, não execuções da Artificial Analysis. Até 11 de novembro, não há uma linha do ERNIE 5.5 no ranking da Artificial Analysis, então não há número independente para contrapor a qualquer uma das células.

O demo reel é o argumento de verdade.

Se a tabela de benchmarks é a parte que será citada, os quatro estudos de caso são a parte difícil de falsificar, porque descrevem produtos de trabalho em vez de pontuações. Os detalhes são específicos o suficiente para serem verificáveis em princípio e concretos o suficiente para serem úteis quando você está decidindo para o que direcionar este modelo.

• Desenvolvimento de jogos — um jogo em terceira pessoa na Unreal Engine 5.8 criado em uma única tarefa de programação de 11 horas, mesclando assets de várias gerações da engine em um só projeto e escrevendo o jogo em C++; separadamente, quase 100 minijogos mobile gerados a partir de documentos de design em Cocos, Unity, LayaAir, PixiJS e Canvas 2D, a maioria deles estruturando as regras como uma simulação determinística para que playthroughs de bots e a busca no espaço de estados possam verificar se cada nível é superável.

• 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 ajustados em escala, iluminados, renderizados quadro a quadro com Cycles e OptiX e cortados com FFmpeg; o complexo do templo Hōryū-ji pesquisado e construído passo a passo; uma sequência de previs de cerca de 2.100 objetos e 1,82 milhão de triângulos em 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 pesquisa de 20 páginas sobre custos de eletricidade de data centers, uma análise de direção autônoma de 24 páginas baseada em 4.169 relatórios federais de acidentes, uma pasta de trabalho interativa de planejamento patrimonial com um Monte Carlo de 1.000 trajetórias e uma peça orquestral de 6 minutos e 34 segundos entregue em WAV. A história de treinamento por trás disso 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.

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.

O que todos têm em comum é que nenhum deles é uma interação de chat. Cada um é uma longa execução agêntica com chamadas de ferramentas, e a alegação feita é sobre fôlego — se o modelo consegue manter um plano coeso ao longo de horas de edições. É precisamente a propriedade que uma tabela de benchmark de vinte linhas mede pior, e a razão pela qual o post começa pelos artefatos.

Onde o post de lançamento e o endpoint discordam

O modelo descrito no post e o modelo descrito pela ficha de especificações da Qianfan são reconhecidamente o mesmo sistema visto por dois departamentos que não trocaram informações. O endpoint entrou no ar em 10 de novembro 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, teto de saída de 921.600 tokens, raciocínio obrigatório em um único nível de esforço alto e nenhum cartão de modelo. O post de lançamento, publicado um dia depois, reitera a janela de contexto, ignora completamente o preço, não diz nada sobre raciocínio obrigatório e oferece o posicionamento equivalente ao de um cartão de modelo sem fornecer o cartão de modelo.

A consequência prática é que as duas metades da história têm de ser lidas em conjunto ou não ser lidas de modo algum. O post diz que o modelo consegue sustentar uma tarefa de programação de onze horas; o endpoint diz que tudo o que ele pensa é cobrado à tarifa de saída e que não é possível desativar o pensamento. Uma execução que passa horas iterando é uma execução que emite uma quantidade enorme de tokens de saída e, a US$ 1,13 por milhão, o custo do vídeo de demonstração é uma questão que o post nunca levanta. Até que alguém meça os tokens de saída por tarefa concluída na sua própria carga de trabalho, qualquer comparação entre este modelo e um mais barato será uma comparação de tabelas de preços.

O que ainda está faltando, e não é pouca coisa

Três ausências definem o estado atual do ERNIE 5.5 Flash Preview, e cada uma se resolve em uma escala de tempo diferente.

• Os pesos. A publicação promete Apache 2.0 "em breve", mas não indica nenhuma 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 ERNIE-5.5-Flash-Base e sua variante BF16, ambos criados em 21 de outubro. O checkpoint base foi disponibilizado sob a licença ERNIE 5.5 Flash Base, uma licença comunitária restrita que exclui a União Europeia, o Reino Unido e a Coreia do Sul, limita o uso comercial gratuito pela receita anual relacionada e exige uma atribuição "Powered by ERNIE". Se os pesos da prévia realmente chegarem sob Apache 2.0, isso representa uma mudança nos termos de licença da família e um assunto muito mais relevante do que qualquer linha de benchmark.

• A pontuação independente. Nada neste lançamento foi executado por ninguém além da Baidu. Os benchmarks com AA no nome são os que merecem atenção, porque a Artificial Analysis executa seus próprios harnesses e publicará uma linha comparável se e quando adicionar o modelo; até lá, as vinte células são uma alegação, não uma medição.

• O modelo finalizado. A Baidu afirma que o pós-treinamento está em andamento e que o lançamento oficial será melhor do que a prévia. Trata-se de uma declaração explícita de que os números atuais têm prazo de validade, o que faz de qualquer decisão de construir sobre este checkpoint uma decisão sobre um alvo móvel.

Como avaliá-lo sem apostar um caminho de produção nele

O acesso é feito pela própria API Qianfan da Baidu, ou por plataformas de terceiros que a revendem. O OrcaRouter não roteia o ERNIE 5.5 Flash Preview — não há nenhuma entrada ERNIE em nosso catálogo de mais de 200 modelos e nenhum endpoint da Baidu por trás dele, portanto nada aqui deve ser interpretado como uma oferta para atendê-lo.

O que torna o catálogo útil nesta situação é o outro lado da mesa: os modelos com os quais este está sendo comparado estão todos acessíveis através de uma única chave compatível com OpenAI ao preço de tabela do provedor, com 0% de markup, o que torna possível executar você mesmo as mesmas vinte tarefas no GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 e DeepSeek V4.1 Flash e ver se a ordenação da Baidu sobrevive ao contato com seus prompts. O failover automático faz o segundo trabalho — uma prévia sem histórico de uptime nunca precisa ser a única coisa sustentando um caminho de solicitação, porque um fallback roteado pode assumir a chamada quando ela trava.

A avaliação que vale a pena rodar esta semana é estreita e barata. Pegue dez das suas próprias tarefas de agente de horizonte longo, rode cada uma no preview e em dois modelos nos quais você já confia, e registre três coisas por tarefa: se ela terminou, quantos tokens de saída consumiu e quanto custou. Isso lhe dá os dois números que a Baidu não publicou — tokens por tarefa e custo por tarefa concluída — em relação a uma linha de base que você mesmo escolheu. Todo o resto no post de lançamento, incluindo o 46.5, é o harness de outra pessoa.

O que resolveria a questão não é outra demonstração. É uma data para o lançamento do Apache 2.0, um cartão de modelo com uma data de corte de conhecimento e uma tabela de avaliação, uma linha do Artificial Analysis produzida pelo Artificial Analysis, e um segundo checkpoint cujos números possam ser comparados com estes. A Baidu agora publicou a história que deveria ter publicado em 10 de novembro. A próxima coisa que deve aos seus usuários é o artefato que lhes permite parar de aceitar a sua palavra sobre o placar.