У ERNIE 5.5 Flash Preview наконец появился пост о запуске, двадцать бенчмарков и обещание весов

46,5 на Terminal-Bench 4.0 — первый результат, который Baidu когда-либо публиковала для ERNIE 5.5 Flash Preview, и он появился 11 ноября 2026 года — через день после того, как сама модель стала доступна на Qianfan как платный эндпоинт с прайс-листом и вообще без документации. Пост о выпуске с этой цифрой — первое официальное заявление о модели, и он отвечает на три вопроса, на которые эндпоинт ответить не мог: что это такое (280 млрд общих параметров при 14 млрд активных, контекст 1M токенов, дообучена на чекпоинте ERNIE 5.5 Flash Base от 5 ноября), как, по словам Baidu, она соотносится с другими (двадцать строк бенчмарков рядом с GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 и моделью, указанной только как Hy4), и сможете ли вы когда-нибудь запустить её самостоятельно (веса «скоро будут открыты по лицензии Apache 2.0»). Каждая цифра в этой таблице заявлена поставщиком, получена на собственных стендах Baidu с выбранными Baidu моделями-судьями, и ничего из этого не было воспроизведено за пределами компании. Группа бенчмарков — это та часть этого сравнения, которой вы действительно можете управлять. цена из прайс-листа провайдера с наценкой 0% GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 и DeepSeek V4.1 Flash доступны на одном ключе по цене из прайс-листа провайдера, при этом комиссия OrcaRouter указана как $0.00.

Что Baidu разместил на странице

Пост построен как демо-ролик с приложением по бенчмаркам — это показывает, в чём Baidu видит суть аргумента. Четыре раздела о возможностях — разработка игр, 3D-моделирование и дизайн, интеллектуальная работа, создание видео — каждый собран из артефактов, которые модель создала от начала до конца внутри агентной обвязки, с поимённым указанием внешних ассетов и инструментов. Спецификация приводится во вводном абзаце и больше не возвращается: 280B всего, 14B активных, контекст в 1M токенов, API на Qianfan, веса обещаны под Apache 2.0. Нет карточки модели, нет даты отсечения знаний, нет данных о задержке, нет цен и нет утверждения о том, сколько токенов рассуждений модель выдаёт на задачу.

Два предложения в этом посте значат больше, чем всё остальное вместе взятое. Первое находится в разделе о разработке игр и описывает проект Unreal Engine 5.8: «Поскольку это текстовая модель и она не видит экран, она превратила проблемы, замеченные при плейтестинге, — такие как персонаж, парящий над землёй, непоследовательное направление бега и неправильно расположенная камера, — в измеримые тесты в коде». Это на удивление откровенное описание обходного пути — модель написала тесты, потому что не могла посмотреть на игру, — и это самое ясное на данный момент заявление о том, что это система «текст на входе — текст на выходе», визуальная компетенция которой делегирована инструментам.

Второй — заключительный абзац: ERNIE 5.5 Flash Preview «представляет собой промежуточный чекпоинт после постобучения. Он уже конкурентоспособен с моделями своего размера, но поскольку обучение не завершено, некоторые возможности всё ещё могут не дотягивать». Публикация о запуске, которая сообщает, что запуск не завершён, ценнее той, где этого нет, и она заставляет переосмыслить всё сказанное выше. Вы читаете не анонс продукта. Вы читаете отчёт о прогрессе с приложенной таблицей результатов, опубликованный, чтобы пользователи дали обратную связь до официального релиза.

Двадцать строк эталонных тестов — читайте внимательно

Таблица в приложении представляет собой одно изображение, что само по себе кое о чём говорит: числа нельзя скопировать, отсортировать или сверить с электронной таблицей. Если считывать с изображения, столбец ERNIE выглядит так — все данные приведены со слов Baidu и не были воспроизведены:

• Агентное программирование — Terminal-Bench 4.0: 46,5, DeepSWE v1.1: 71,2, ProgramBench (почти решено): 29,5, NL2Repo-Bench: 64,8, Terminal-Bench-Science 0.1: 21,0.

• Использование компьютера и автоматизация — CookieBench на уровне 88,2, AutomationBench на уровне 61,9, APEX-Agents 1.1 на уровне 64,2, DRACO на уровне 84,9.

• Интеллектуальная работа — SpreadsheetBench V2: 36.4; OfficeQA Pro V2: 67.9; Agents' Last Exam (CLI): 29.0; SkillsBench 1.1 (только текст): 73.5.

• Агенты общего назначения и использование инструментов — Toolathlon-Verified: 79,0, MCP-Atlas: 84,6, BrowseComp: 87,4.

• Рассуждения — HLE без инструментов: 46,4 (с маркером сноски), AA-Omniscience-Public: 25,2, AA-LCR v1.1: 79,0.

• 3D — BlenderWorld, только текст, 79,0 — единственная строка, которая напрямую относится к утверждениям о CAD и Blender в основном тексте.

Правда живёт в сносках, и их стоит прочитать раньше, чем любые ячейки. Каждый бенчмарк запускался на именованном стенде — фигурируют Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 и нечто под сокращением DSH, — а модели-судьи — это Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 и Gemini 3.1 Flash-Lite. В одной сноске признаётся, что «GLM-5.3 и наша модель не имеют собственных мультимодальных возможностей; понимание изображений обеспечивается инструментом на базе Claude Opus 5.5». Иными словами, как минимум часть бенчмарков, зависящих от зрения, была выполнена ERNIE 5.5 Flash Preview, управляющей инструментом, который вызывает модель конкурента. Это законный инженерный выбор и по-настоящему странная находка для таблицы результатов; кроме того, это значит, что строки, где нужно хоть на что-то посмотреть, измеряют весь стенд, а не одну модель.

Две строки с префиксом AA заслуживают отдельной оговорки. AA-Omniscience-Public и AA-LCR v1.1 — это бенчмарки, опубликованные Artificial Analysis, независимым трекером, но это прогоны Baidu, а не прогоны Artificial Analysis. По состоянию на 11 ноября в таблице лидеров Artificial Analysis нет строки ERNIE 5.5, поэтому нет независимого числа, с которым можно было бы сопоставить любую из этих ячеек.

Демо-ролик — это и есть настоящий аргумент.

Если таблица бенчмарков — это та часть, которую будут цитировать, то четыре кейс-исследования — это та часть, которую трудно подделать, потому что они описывают рабочие продукты, а не оценки. Детали достаточно конкретны, чтобы в принципе их можно было проверить, и достаточно предметны, чтобы быть полезными, когда вы решаете, на что направить эту модель.

• Разработка игр — игра от третьего лица на Unreal Engine 5.8, созданная в рамках одной 11-часовой задачи по программированию: ассеты из нескольких поколений движка объединены в одном проекте, а сама игра написана на C++; отдельно — почти 100 мобильных мини-игр, сгенерированных по дизайн-документам на Cocos, Unity, LayaAir, PixiJS и Canvas 2D, причём в большинстве из них правила структурированы как детерминированная симуляция, чтобы прохождения ботами и поиск по пространству состояний позволяли проверять проходимость каждого уровня.

• 3D-моделирование — Boeing 747 и пекинский аэропорт Дасин, построенные двумя агентами через Python API Blender: один занимался аэропортом, другой — самолётом, после чего их согласовали по масштабу, осветили, отрендерили покадрово с помощью Cycles и OptiX и смонтировали в FFmpeg; храмовый комплекс Хорю-дзи, исследованный и построенный шаг за шагом; превиз-последовательность из примерно 2 100 объектов и 1,82 млн треугольников в четырёх сценах Blender; двигатель W16, две башни в Шэньчжэне и лунный ровер, смоделированные в FreeCAD с помощью Python-скриптов.

• Работа со знаниями — 20-страничный исследовательский отчёт о затратах на электроэнергию дата-центров, 24-страничный анализ автономного вождения на основе 4 169 федеральных отчётов о ДТП, интерактивная рабочая книга по планированию благосостояния с моделью Монте-Карло на 1 000 траекторий и оркестровая пьеса продолжительностью 6 минут 34 секунды в формате WAV. История обучения, стоящая за этим, — это самое большое число в посте: 300 000 рабочих пространств, содержащих 10 миллионов справочных файлов более чем 40 типов.

• Видео — более 150 000 сред для создания и около 5 300 минут готового видео; центральное место занимает 116-секундный 2D-анимационный короткометражный фильм, написанный более чем на 10 000 строках Python, в котором один параметризованный пеликан проходит через 20 художественных стилей.

Общее у них то, что ни один из них не является чат-взаимодействием. Каждый — длительный агентный прогон с вызовами инструментов, а утверждение касается выносливости — способна ли модель удерживать план в течение многих часов правок. Именно это свойство таблица бенчмарка из двадцати строк измеряет хуже всего, и именно поэтому пост начинается с артефактов.

Где расходятся пост о запуске и эндпоинт

Модель, описанная в посте, и модель, описанная в спецификации Qianfan, — это узнаваемо одна и та же система, увиденная из двух отделов, которые не сверяли друг с другом данные. Эндпоинт заработал 10 ноября по цене 0,28 доллара за миллион входных токенов и 1,13 доллара за миллион выходных, при чтении из кэша — 0,028 доллара, с контекстом в 1 024 000 токенов, потолком вывода в 921 600 токенов, обязательным рассуждением на единственном высоком уровне усилий и без модельной карты. Пост о выпуске, опубликованный днём позже, повторяет размер контекстного окна, полностью игнорирует цену, ничего не говорит об обязательном рассуждении и даёт объём позиционирования на целую модельную карту, не предоставляя саму модельную карту.

Практическое следствие: две половины этой истории нужно читать вместе — или не читать вовсе. В посте говорится, что модель способна удерживать одиннадцатичасовую задачу по программированию; в описании эндпоинта говорится, что всё, о чём она «думает», тарифицируется по ставке выходных токенов и что отключить размышления нельзя. Запуск, который тратит часы на итерации, — это запуск, выдающий огромное количество выходных токенов, и при $1.13 за миллион стоимость демонстрационного ролика — вопрос, который в посте даже не поднимается. Пока кто-нибудь не измерит выходные токены на выполненную задачу на своей собственной нагрузке, любое сравнение этой модели с более дешёвой будет сравнением тарифных карт.

Чего всё ещё не хватает, и это не мелочь

Три отсутствия определяют текущее состояние ERNIE 5.5 Flash Preview, и каждое из них устраняется в разные сроки.

• Веса. В посте обещают Apache 2.0 «скоро», но не называют дату, и по состоянию на 11 ноября на Hugging Face нет репозитория с предварительной версией — единственные опубликованные там артефакты ERNIE 5.5 — это ERNIE-5.5-Flash-Base и его вариант BF16, оба созданы 21 октября. Базовый чекпойнт поставлялся по лицензии ERNIE 5.5 Flash Base — ограниченной лицензии для сообщества, которая исключает Европейский союз, Великобританию и Южную Корею, ограничивает бесплатное коммерческое использование в зависимости от соответствующей годовой выручки и требует указания «Powered by ERNIE». Если веса предварительной версии действительно появятся под Apache 2.0, это будет изменением условий лицензии для семейства и гораздо более значимым событием, чем любая строка в таблице бенчмарков.

• Независимая оценка. Ничто в этом релизе не запускалось никем, кроме Baidu. Бенчмарки с AA в названии — это те, за которыми стоит следить, потому что Artificial Analysis использует собственные тестовые стенды и опубликует сопоставимую строку, если и когда добавит модель; до тех пор двадцать ячеек — это утверждение, а не измерение.

• Готовая модель. Baidu заявляет, что постобучение продолжается и что официальный релиз будет улучшен по сравнению с превью. Это прямое указание на то, что у сегодняшних цифр есть срок годности, и оно превращает любое решение строить на этом чекпоинте в решение о движущейся мишени.

Как оценить это, не ставя на кон продакшен-путь?

Доступ осуществляется через собственный API Qianfan от Baidu либо через сторонние платформы, которые его перепродают. OrcaRouter не маршрутизирует ERNIE 5.5 Flash Preview — в нашем каталоге из более чем 200 моделей нет позиции ERNIE, и за ней не стоит никакой эндпоинт Baidu, поэтому ничто здесь не должно восприниматься как предложение обслуживать её.

Польза каталога в этой ситуации — в другой стороне сравнения: все модели, с которыми сравнивают эту, доступны через один ключ, совместимый с OpenAI по прайс-листовой цене провайдера с наценкой 0%, что позволяет самостоятельно прогнать те же двадцать задач через GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 и DeepSeek V4.1 Flash и увидеть, выдержит ли порядок Baidu встречу с вашими промптами. Автоматическое переключение при сбое выполняет вторую задачу — превью без истории аптайма не обязано быть единственным, что держит путь запроса, потому что маршрутизируемый резервный вариант может принять вызов, когда тот зависает.

Оценка, которую стоит провести на этой неделе, узкая и дешёвая. Возьмите десять своих собственных долгосрочных агентских задач, прогоните каждую через предварительную версию и через две модели, которым вы уже доверяете, и фиксируйте по каждой задаче три вещи: завершилась ли она, сколько выходных токенов израсходовала и сколько стоила. Это даст вам два числа, которые Baidu не опубликовала, — токены на задачу и стоимость на завершённую задачу — в сравнении с базовым уровнем, который вы выбрали сами. Всё остальное в посте о релизе, включая 46.5, — это чужой стенд.

Что решило бы вопрос, так это не ещё одна демонстрация. Это дата выпуска под Apache 2.0, карточка модели с датой отсечки знаний и таблицей оценок, строка Artificial Analysis, подготовленная Artificial Analysis, и второй чекпоинт, показатели которого можно сравнить с показателями этого. Baidu теперь опубликовала материал, который следовало опубликовать 10 ноября. Следующее, что компания должна своим пользователям, — это артефакт, который позволит им перестать верить ей на слово относительно табло.