ERNIE-5.5-Flash vs DeepSeek V4.1 Flash: a Baidu escolheu essa briga por conta própria

A comparação mais útil para o ERNIE-5.5-Flash não foi escrita por um avaliador. Ela está na própria tabela de benchmarks da Baidu, onde o recém-lançado ERNIE-5.5-Flash-Base é avaliado contra o DeepSeek-V4-Flash-Base com 284B de parâmetros totais e 13B ativos — quase exatamente a mesma classe de tamanho que os 280B totais e 14B ativos do ERNIE. Esse é o único confronto em condições equivalentes em todo o lançamento do ERNIE 5.5: dois checkpoints pré-treinados, um harness, os mesmos prompts. Todo o resto nesse confronto é assimétrico, porque o DeepSeek V4.1 Flash é um modelo finalizado, licenciado sob MIT, com preço definido e servido, e o ERNIE-5.5-Flash é um checkpoint base cuja versão pós-treinada a Baidu diz que "virá em seguida". O artigo honesto é, portanto, dois artigos: o que os números de base para base dizem, e o que acontece quando você coloca esses números ao lado de um modelo que as pessoas realmente podem chamar. O OrcaRouter repassa os preços de tabela do provedor sem adicionar markup, então o desconto por horário do DeepSeek entra em vigor no dia em que se aplica.

A única comparação que o Baidu fez em condições de igualdade

A Baidu publicou 30 benchmarks em sete categorias, avaliados em um único pipeline com prompts idênticos e exemplos few-shot, em comparação com três modelos base: DeepSeek-V4-Flash-Base (284B-A13B), Hy3-preview-Base (295B-A21B) e MiMo-V2.5-Base (310B-A15B). A linha da DeepSeek é a que merece leitura atenta, porque as contagens de parâmetros são próximas o bastante para que a arquitetura e a qualidade dos dados façam o trabalho, em vez da escala.

• Total de parâmetros — ERNIE-5.5-Flash-Base 280B vs DeepSeek-V4-Flash-Base 284B

• Ativo por token — 14B vs 13B

• Tokens de pré-treinamento — 33,5T vs não informado na linha de comparação

• Contexto de treinamento — 128K vs classe 128K

• Pesos lançados — FP8 e BF16, ambos disponíveis agora

• Licença — Contrato de Licença do Modelo Base ERNIE 5.5 Flash v1.0 vs MIT

Nas linhas que a Baidu destaca, o ERNIE lidera: MMLU 93,3, MMLU-Pro 78,4, GPQA 60,2, BBH 89,2 com cadeia de raciocínio, HumanEval+ 82,3, MBPP+ 81,5, HELMET-RAG 71,5 e RepoQA 91,7. É uma ficha de modelo base genuinamente forte. Também é executado pelo fornecedor, em um harness projetado pela Baidu, publicado no dia em que os pesos foram disponibilizados. Trate isso como uma alegação com um apêndice detalhado, não como um resultado.

A parte mais informativa é onde o ERNIE perde. O post da Baidu admite que ChineseSimpleQA, INCLUDE-lite, HELMET-Rerank, InfiniteBench e FullStackBench vão para um concorrente. Uma tabela de lançamento que imprime suas próprias perdas está lhe dizendo que a comparação foi feita de boa-fé — o que aumenta, em vez de diminuir, o valor das linhas em que o ERNIE ganha.

Onde a simetria se quebra: um modelo está concluído

O DeepSeek V4.1 Flash foi lançado em 10 de setembro de 2026, com um snapshot "1017" em 17 de outubro. É um modelo esparso de mistura de especialistas com um backbone de 552B e aproximadamente 763B de parâmetros totais, incluindo memória condicional, ativando 8B na entrada e 16B na saída. Entrada multimodal nativa, contexto de 1 milhão de tokens, 45 trilhões de tokens de treinamento e licença MIT. Nas tarifas de tabela praticadas pela OrcaRouter para servi-lo, ele custa US$ 0,15 por milhão de tokens de entrada e US$ 0,60 por milhão de saída, com leituras em cache a US$ 0,003–US$ 0,006; a API própria da DeepSeek acrescenta um desconto por horário do dia, o que vale a pena saber antes de você construir um modelo de custos em torno do menor número que conseguir encontrar.

Esse modelo segue instruções, chama ferramentas, aceita imagens e tem um preço publicado. O ERNIE-5.5-Flash-Base não faz nenhuma dessas coisas, porque não passou por pós-treinamento. A comparação que importa para um comprador, portanto, não é entre modelos base — é entre modelos finalizados, e um dos dois modelos finalizados ainda não existe.

Isto não é uma pequena ressalva. É do pós-treinamento que vêm o seguimento de instruções, o uso de ferramentas, o comportamento de recusa, a disciplina de formatação e a maior parte da qualidade percebida de um modelo moderno da categoria Flash. A pontuação MMLU de um checkpoint de base diz algo sobre o prior. Não diz quase nada sobre se o modelo emitirá de forma confiável um objeto JSON, seguirá um prompt de sistema ou sobreviverá a um loop de agente de 40 turnos. O DeepSeek V4.1 Flash tem comportamento publicado nesses eixos. O ERNIE 5.5 Flash tem uma promessa.

A diferença de licença é a questão latente.

A DeepSeek lança o V4.1 Flash sob a licença MIT. Isso é praticamente o máximo de permissividade que uma licença de modelo pode oferecer: uso comercial, modificação, redistribuição, sem restrições de campo de uso, sem acordo separado a negociar. A Baidu lança o ERNIE-5.5-Flash-Base sob o ERNIE 5.5 Flash Base Model License Agreement v1.0 — uma licença sob medida, não a Apache 2.0, e, notavelmente, um retrocesso em relação ao ERNIE 4.5, que foi lançado sob a Apache 2.0 em 2025.

Para uma equipe de pesquisa, isso pode não importar. Para uma empresa que quer ajustar um modelo com dados proprietários e lançar um produto, é a primeira coisa que o jurídico vai ler, e licenças de modelos chineses sob medida têm historicamente carregado restrições de uso, exigências de atribuição e limites que a licença MIT não tem. Os pesos serem baixáveis não é o mesmo que os pesos serem utilizáveis nos seus termos.

Essa diferença se amplia com o tamanho. O ERNIE, com 280B parâmetros totais, é uma proposta de aproximadamente 280GB em FP8 antes de adicionar KV cache e margem para ativações; os 763B totais do DeepSeek V4.1 Flash são ainda maiores, e é exatamente por isso que a maioria das equipes o acessa via API em vez de um cluster de GPUs. Se o seu plano é auto-hospedar qualquer um dos dois, a licença é o problema mais barato de resolver.

Serviço: os dois repositórios citam as mesmas ferramentas; um tem dois meses de vantagem.

O model card da Baidu traz exemplos com SGLang e vLLM, e o repositório Megatron-Bridge da NVIDIA já inclui um exemplo de ajuste fino do ERNIE 5.5. Trata-se de um lançamento competente — um modelo base com receitas de serving desde o primeiro dia é mais do que muitos laboratórios conseguem.

A vantagem do ecossistema da DeepSeek não está nas receitas, está na quilometragem. O V4.1 Flash está em produção há quase dois meses, tem um snapshot 1017 com deltas publicados — Terminal-Bench 4.0 passando de 31.2 para 42.3, DeepSWE v1.1 de 74.2 para 77.0 — e está disponível por meio da própria API do fornecedor e de várias plataformas de terceiros, incluindo a OrcaRouter. Quando uma quantização quebra ou um kernel regride, alguém já registrou o problema.

Especificamente na OrcaRouter, deepseek/deepseek-v4.1-flash e o fixado deepseek/deepseek-v4.1-flash-1017 são ambos roteáveis hoje ao preço de tabela do provedor com 0% de markup, o que significa que a redução fora de pico fica visível no seu faturamento no dia em que a DeepSeek a aplica, e não depois de uma margem de revendedor. O ERNIE-5.5-Flash não está no catálogo — não há entrada de ERNIE entre os 216 IDs de modelo —, portanto nada aqui deve ser interpretado como uma alegação de hospedagem do ERNIE. O ponto sobre roteamento é mais restrito: se você está escolhendo entre um modelo que pode chamar agora e um que não pode, a questão da plataforma já está resolvida.

O que fazer esta semana

Se você precisa de um modelo Flash barato e de contexto longo em produção, o DeepSeek V4.1 Flash é a resposta, e o ERNIE não está no conjunto de opções. Isso não é um julgamento sobre a qualidade do checkpoint da Baidu. É uma afirmação de que um modelo base sem preço definido, sem pós-treinamento e que não é disponibilizado como serviço não pode ocupar uma vaga de produção.

Se estiver a fazer pré-treinamento contínuo em chinês, o cálculo inverte-se. O ERNIE-5.5-Flash-Base, em 280B-A14B e com 33,5T tokens por trás, é um ponto de partida credível, a arquitetura está documentada com um detalhe invulgar — 43 camadas, 37 HCA mais 6 MLA-DSA, 512 especialistas encaminhados em top-10, um vocabulário de 201.216 tokens — e o exemplo Megatron-Bridge encurta o caminho para um primeiro ajuste fino. Leia a licença antes de ler os benchmarks.

Se você está avaliando em vez de construir, o movimento útil é executar você mesmo a comparação de base publicada pela Baidu nos dois checkpoints abertos. Ambos são baixáveis, ambos se encaixam no mesmo harness, e reproduzir a tabela é a única forma de saber se a varredura de 30 benchmarks sobrevive ao contato com um segundo par de mãos.

O número a acompanhar

Não é o MMLU. É o preço que a Baidu acaba definindo para o ERNIE 5.5 Flash pós-treinado. O DeepSeek V4.1 Flash estabeleceu uma referência em $0,15/$0,30 de entrada e $0,60/$1,20 de saída, com contexto de 1M e licença MIT. Um modelo de nível Flash que chegue acima desse preço precisa de um motivo específico para existir — qualidade em chinês, residência de dados ou uma capacidade que o DeepSeek não tem. Um modelo que chegue abaixo disso muda a conversa sobre custos para toda carga de trabalho em chinês.

Até que esse número exista, esta comparação tem exatamente uma conclusão defensável: a Baidu construiu um modelo base que rivaliza de igual para igual com o modelo base da DeepSeek no mesmo tamanho, e ainda não lançou aquilo que permitiria a qualquer pessoa comparar os produtos. Esse é um resultado real. Só não é o que a consulta de busca está pedindo.