ERNIE-5.5-Flash vs Qwen 3.8 Flash: um checkpoint base encontra um modelo finalizado

Coloque ERNIE-5.5-Flash ao lado de Qwen 3.8 Flash e a primeira observação honesta é que eles não são o mesmo tipo de objeto. O que a Baidu realmente publicou é ERNIE-5.5-Flash-Base, o checkpoint ao final do pré-treinamento — antes do mid-training, antes do ajuste por instruções, antes de qualquer trabalho de preferência —, de modo que ele continua texto em vez de responder a solicitações, e é servido por um endpoint de completions, não de chat. Qwen 3.8 Flash, que a Alibaba lançou em 26 de agosto de 2026, é um modelo multimodal finalizado que recebe texto, imagens e vídeo e retorna texto, a US$ 0,15 por milhão de tokens de entrada e US$ 0,47 por milhão de saída. Um é um ponto de partida que você ainda precisa treinar; o outro é um produto que você pode chamar hoje à tarde. Quase todos os números abaixo mudam de significado dependendo de qual dessas duas coisas você acha que está comparando, e é por isso que vale a pena resolver isso antes da ficha técnica, e não depois.

O que a Baidu lançou — e o que ela não disse

O lançamento é discreto daquele jeito específico que os lançamentos chineses de pesos abertos costumam ter: os artefatos chegam antes da história.baidu/ERNIE-5.5-Flash-BaseO repositório foi criado no Hugging Face em 21 de outubro, ficou quase vazio por uma semana e então recebeu seus 128 shards de pesos FP8 entre 2 e 3 de novembro. Os diagramas de arquitetura e de benchmark chegaram em 4 de novembro, e o próprio card ainda estava sendo revisado hoje de manhã. A página de lançamento da própria Baidu está datada de hoje, 5 de novembro, e a única discussão que ela gerou fora dessa página é um tópico de fórum e uma postagem no WeChat. Não há comunicado à imprensa, nem evento de lançamento, nem cobertura jornalística que se possa mencionar.

Isso importa para aquilo em que você pode e não pode confiar. Dá para saber a partir do repositório: a arquitetura, o número de parâmetros, uma tabela completa de benchmarks do fornecedor com um harness explicitamente nomeado, receitas funcionais de serving para SGLang e vLLM, o texto da licença e o fato de existir uma versão irmã em BF16 ao lado da FP8. Não dá para saber: se a Baidu pretende servi-lo como API — a tabela de preços do Qianfan, atualizada pela última vez em 18 de outubro, lista ERNIE 5.1, 5.0 e 4.5 Turbo, e nenhuma entrada do ERNIE 5.5 de qualquer tipo —, quanto pontua uma versão dele ajustada para instruções, e se algum avaliador independente vai reproduzir um único número da tabela da Baidu.

A especificação da revista, para constar: 280B de parâmetros totais, com 14B ativos por token, pré-treinado do zero em 33,5T de tokens, 43 camadas das quais uma é uma FFN densa e 42 são MoE, 512 especialistas roteados com roteamento top-10 mais um especialista compartilhado, e um vocabulário de 201.216 tokens. A configuração lançada permite um contexto de 1.048.576 tokens, embora o treinamento só tenha visto 131.072. Há também uma cabeça de predição multi-token de 0,36B que não é contada em nenhum dos dois números de parâmetros.

O contraste das especificações, nas dimensões que realmente decidem

• O que você recebe — ERNIE-5.5-Flash-Base é apenas um checkpoint e nada mais: pesos que você baixa, um endpoint /v1/completions e nenhum comportamento de seguir instruções. O Qwen 3.8 Flash é um modelo servido com chamada de ferramentas, modo de raciocínio, saídas estruturadas e uma resposta máxima de 131.072 tokens.

• Tamanho — 280B no total / 14B ativos para o ERNIE, em comparação com 125B no total / aproximadamente 6B ativos para o Qwen 3.8 Flash, que também carrega uma tabela de embeddings n-gram de 51B e uma cabeça MTP de ~4B, colocando cerca de 180B de parâmetros no disco.

• Attention design — O ERNIE usa 43 camadas divididas em 37 camadas de atenção fortemente comprimida (HCA) mais 6 camadas MLA com atenção esparsa; o Qwen 3.8 Flash usa um híbrido de Gated DeltaNet mais Qwen Sparse Attention ao longo de 48 camadas. Ambas são apostas de que a atenção completa clássica é a coisa errada para se pagar em preços de nível Flash, feitas a partir de direções opostas.

• Contexto — 1M de tokens reivindicados em ambos os lados, mas vindos de origens diferentes: o ERNIE foi treinado com 128K e só habilita 1M no ajuste fino e na inferência, enquanto o Qwen 3.8 Flash é nativamente 262K e chega a 1M por meio da extensão YaRN.

• Modalidade — O ERNIE-5.5-Flash-Base é apenas texto, em inglês e chinês. O Qwen 3.8 Flash aceita texto, imagens e vídeo, e sua tabela do fornecedor inclui resultados do AndroidWorld, OSWorld 2.0, MathVision e LVBench que um checkpoint somente de texto não consegue produzir.

• Pesos do lado do Qwen — o Qwen 3.8 Flash de produção só está disponível via API, mas o seu irmão de pesos abertos Qwen3.8-Flash-Next é publicado sob a Licença Comunitária Qwen 1.0, pelo que os dois lados são mais comparáveis do que a dicotomia API versus pesos sugere à primeira vista.

• Serviço — A Baidu entrega uma receita funcional: a imagem lmsysorg/sglang:dev-ernie-55-flash com --tp 4, ou vLLM 0.32.0 mais o plugin baidu/vLLM-ERNIE com tamanho de paralelismo de dados 4. O Qwen 3.8 Flash não precisa de receita de serviço porque a Alibaba o serve para você.

• Preço — não há preço publicado por token para o ERNIE-5.5-Flash-Base em lugar nenhum, porque não existe um endpoint hospedado para precificar; US$ 0,15 de entrada / US$ 0,47 de saída por milhão de tokens para o Qwen 3.8 Flash, com leituras de entrada em cache a US$ 0,0184.

• Licença — o Contrato de Licença do Modelo Base ERNIE 5.5 Flash v1.0, um acordo personalizado que vale a pena ler na íntegra antes de criar um produto com base nele, em comparação com a Licença da Comunidade Qwen 1.0 do lado aberto do Qwen.

As linhas de benchmark que parecem comparáveis e não são

Aqui está a armadilha que esta comparação cria. Ambos os fornecedores publicam um número do LiveCodeBench, e os dois números são 40,1 e 91,9.

Eles não estão medindo a mesma coisa, e a diferença entre eles não é uma diferença de capacidade. O 40,1 do Baidu é Pass@1, one-shot, no checkpoint pré-treinado bruto — pede-se ao modelo que complete continuações de código sem nunca ter sido ensinado a seguir uma instrução. O 91,9 do Alibaba é o LiveCodeBench v6, uma versão diferente e posterior do benchmark, relatada para um modelo que passou por um pipeline completo de pós-treinamento. O par GPQA tem o mesmo problema: 60,2 para o ERNIE em correspondência exata five-shot em um checkpoint base, 91,7 para o Qwen no GPQA Diamond após ajuste por instrução. Até a comparação MMLU, 93,3 contra um modelo que não publica MMLU, não tem nada com que se comparar.

Isto não é uma crítica a nenhum dos modelos. É uma afirmação sobre para que serve uma avaliação de modelo base. Um 40,1 no LiveCodeBench, vindo de um checkpoint que nunca viu uma instrução, é uma afirmação sobre quanta estrutura de programação o pré-treinamento absorveu, e é um número razoável nessa leitura. Não diz nada sobre como os mesmos pesos se sairiam depois de alguém fazer ajuste fino neles. Ninguém, incluindo a Baidu, publicou esse número.

A única tabela que pode ser lida sem ressalvas é a do próprio Baidu, porque todas as quatro colunas foram processadas pelo mesmo pipeline, pelos mesmos prompts e pelas mesmas configurações de few-shot. Em comparação com DeepSeek-V4-Flash-Base (284B-A13B), Hy3-preview-Base (295B-A21B) e MiMo-V2.5-Base (310B-A15B), ERNIE-5.5-Flash-Base fica com o melhor resultado da linha em 24 dos 30 benchmarks, incluindo MMLU-Pro com 78,4 contra 69,2, HumanEval+ com 82,3 contra 69,5 e RepoQA com 91,7 contra 81,0. Ele perde ChineseSimpleQA para o DeepSeek, FullStackBench e BBH chain-of-thought para o Hy3, e tanto HELMET-Rerank quanto InfiniteBench para o DeepSeek. Esses são números executados pelo fornecedor em um harness escolhido pelo fornecedor, sem replicação independente — mas são comparáveis internamente, o que é mais do que se pode dizer de qualquer emparelhamento entre fornecedores neste artigo.

Quanto custa cada rota, com os cálculos demonstrados

O Qwen 3.8 Flash é o mais fácil de precificar. Considere uma carga de trabalho de suporte e extração de 1.000 solicitações por dia, com média de 6.000 tokens de entrada e 800 tokens de saída: 6M de tokens de entrada e 0,8M de saída por dia, ou 180M e 24M ao longo de um mês de 30 dias. A US$ 0,15 e US$ 0,47 por milhão, isso dá US$ 27,00 mais US$ 11,28 — US$ 38,28 por mês, com leituras em cache a US$ 0,0184 por milhão reduzindo ainda mais a parcela recorrente do prompt de sistema.

ERNIE-5.5-Flash-Base não tem item de linha equivalente, então o único modelo de custo honesto é o hardware. O repositório FP8 tem 128 shards de aproximadamente 2,25 GB cada, cerca de 288 GB de pesos; a versão BF16 dobra esse valor. O próprio comando de lançamento do SGLang da Baidu o divide em quatro partes com --tp 4, o que coloca cerca de 72 GB de pesos em cada GPU antes de existir qualquer cache KV — viável em uma placa de 80 GB apenas se você nunca usar a janela de contexto, e confortável em placas da classe H200. Alugue quatro dessas placas a um preço intermediário de US$ 2–3 por GPU-hora e o nó custa aproximadamente US$ 5.800–8.600 por mês em execução contínua, antes de você pagar alguém para fazer o ajuste fino, avaliá-lo ou manter a pilha de serving atualizada.

Isso é da ordem de 150 a 225 vezes a fatura da API Qwen no exemplo acima, e a comparação é deliberadamente injusta em uma direção: os dois não são substitutos até que alguém faça pós-treinamento do checkpoint ERNIE. O objetivo da aritmética não é que a auto-hospedagem seja cara — é que o custo fixo é real e chega antes de o modelo conseguir responder a uma única instrução, então o volume em que possuí-lo supera alugar algo pronto é muito maior do que uma comparação por token sugere.

O contexto longo é onde os dois designs convergem.

Ambos os modelos alegam um milhão de tokens, e ambos chegam lá recusando-se a aplicar atenção plena sobre um milhão de posições. As camadas HCA do ERNIE armazenam em cache uma única entrada a cada 128 tokens, então 37 de suas 43 camadas fazem seu cache KV crescer 128 vezes mais devagar do que uma camada convencional faria; as seis camadas MLA mantêm acesso em resolução plena para os tokens que precisam dele. O híbrido GDN-plus-QSA do Qwen faz o mesmo tipo de troca pelo lado da atenção esparsa, e seus 6B parâmetros ativos mantêm o cálculo por token baixo, independentemente do que a atenção esteja fazendo.

Para o leitor, a diferença prática não está em qual design é mais engenhoso — ambos são credíveis —, mas sim no facto de apenas um dos dois trazer consigo um preço por realmente usar esse contexto. Um prompt de um milhão de tokens no Qwen 3.8 Flash tem hoje um número associado. No ERNIE-5.5-Flash-Base, o mesmo prompt tem uma estimativa em horas de GPU e uma pergunta sem resposta sobre como um modelo base se comporta com esse comprimento sem ajuste por instruções.

Quem deve escolher qual?

Escolha o Qwen 3.8 Flash se você precisa de um modelo que siga instruções agora, se suas entradas incluem capturas de tela, documentos ou vídeo, se você quer que a fatura de contexto longo seja um problema de planejamento de capacidade de outra pessoa, e se $0.15/$0.47 por milhão de tokens se encaixa na economia unitária do que você está construindo. Ele tem dois meses de idade, já foi identificado por rastreadores de terceiros desde o lançamento, e os números do fornecedor — SWE-bench Pro 62.5, GPQA Diamond 91.7, CoWorkBench 73.9 — são alegações e não resultados verificados, então trate-os como um limite superior até que sua própria avaliação diga o contrário.

Escolha o ERNIE-5.5-Flash-Base se você tiver capacidade de pós-treinamento e um motivo para possuir o modelo em vez de alugá-lo: um domínio cujos dados você não pode enviar para uma API, uma carga de trabalho em chinês e inglês em que CMMLU 90,0 e ChineseSimpleQA 73,0 são os números que importam para você, um programa de pesquisa em RL que quer um ponto de partida 280B-A14B, ou um orçamento de latência que justifique um nó dedicado de quatro GPUs. Você também precisa estar confortável com o fato de que a licença é um acordo personalizado da Baidu, não Apache, e que o modelo não faz nada útil até que sua equipe o torne útil.

Não escolha nenhum dos dois, porém, se o que você realmente quer é um modelo de propósito geral comprovado. O Qwen 3.8 Flash é um produto finalizado sem pontuação independente em benchmarks, e o ERNIE-5.5-Flash-Base é um modelo inacabado com uma tabela de benchmarks do fornecedor. Nenhum dos dois é o padrão seguro que um carro-chefe de dois anos seria.

Executando o experimento sem apostar um roadmap nele

A parte incômoda desta comparação é que os dois lados são acessados de maneiras completamente diferentes, e uma camada de roteamento ajuda com exatamente um deles. O Qwen 3.8 Flash está disponível pelo OrcaRouter como qwen/qwen3.8-flash, ao preço de tabela do provedor, com 0% de acréscimo — os mesmos $0.15 e $0.47 que o fornecedor cobra, repassados, sem nada acrescentado pela intermediação. O ERNIE-5.5-Flash-Base não é algo que oferecemos: é um lançamento de pesos, e não existe nenhum endpoint hospedado para ele ao qual rotear, aqui ou em qualquer outro lugar que consigamos encontrar.

O que um único endpoint realmente oferece de bom nesta situação é a parte que vem depois do experimento. O caminho realista para um ERNIE 5.5 Flash é que uma equipe faça pós-treinamento do checkpoint base, e a questão então passa a ser se o modelo ajustado supera o Qwen 3.8 Flash no seu próprio tráfego. Com ambos por trás de uma única chave, isso é uma mudança de model-id em vez de um segundo contrato e um segundo SDK, o DSL de roteamento pode dividir o tráfego de produção entre eles enquanto você decide, e o failover automático significa que um vencedor não comprovado não pode derrubar a funcionalidade inteira no seu primeiro dia ruim. A fusão de modelos oferece a terceira opção — um painel respondendo em conjunto — que muitas vezes é a maneira mais barata de descobrir se um novo ajuste é realmente melhor que o atual ou apenas diferente.

O que mudaria esta resposta

Três coisas, em ordem aproximada de probabilidade. Um ERNIE 5.5 Flash ajustado para instruções transformaria isto de uma incompatibilidade de categoria num confronto direto de verdade, e os números da versão base sugerem que seria competitivo — 82,3 no HumanEval+ e 91,7 no RepoQA a partir de um checkpoint sem ajuste é uma posição inicial forte. Uma entrada do ERNIE 5.5 na tabela de preços do Qianfan daria às contas de auto-hospedagem algo com que comparar e diria se a Baidu pretende vender este modelo ou distribuí-lo de graça. E uma pontuação de terceiros para qualquer um dos modelos permitiria ao leitor parar de aceitar tabelas de fornecedores com base na confiança, que é o estado em que este par está preso hoje: o Qwen 3.8 Flash não tem nenhum resultado de benchmark independente em seu nome, e o ERNIE-5.5-Flash-Base não tem linha em nenhum leaderboard neutro.

Até que dois desses estejam disponíveis, "qual é melhor" não é uma pergunta que alguém tenha medido. O que pode ser respondido hoje é mais restrito e mais útil: o Qwen 3.8 Flash é um modelo que você pode chamar, e o ERNIE-5.5-Flash-Base é um modelo sobre o qual você pode construir. Essas são tarefas diferentes, e nenhuma tabela de benchmarks vai resolver qual delas você tem.