
ERNIE 5.5 Flash: En Blackwell-exklusiv FP4-väg dyker upp innan chattmodellen gör det
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 185 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 228 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 98 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
Det mest konkreta som publicerats om ERNIE 5.5 Flash den här veckan är ett felmeddelande. Inuti en pull request på 525 rader som öppnades i SGLang-repositoriet den 18 november 2026 finns en hård vägran: --moe-a2a-backend megamoe avvisas på allt som inte är en SM100-GPU, eftersom de kernlar som annars skulle köra beräkningen SwiGLU och den här modellens experter använder SiTU. Den raden, och resten av PR #51236, är den första offentliga beskrivningen av hur chatutgåvan av ERNIE 5.5 Flash – till skillnad från ERNIE 5.5 Flash Base checkpointen som Baidu publicerade den 5 november och ERNIE 5.5 Flash Preview endpointen som Baidu öppnade den 11 november – är avsedd att serveras. Själva modellen är inte ute. Dess serveringskontrakt är det nu.
Det här är en artikel om vad vi vet hittills, inte lanseringsbevakning. Allt nedan kommer från en öppen, ej sammanfogad och ej granskad pull request, från SGLang-dokumentationen som skrevs i samband med det tidigare Base-stödet och från Baidus egna publicerade sidor. Ingenting här har körts mot en nedladdningsbar chatt-checkpoint, eftersom ingen sådan checkpoint är nedladdningsbar. Där en siffra är Baidus är den märkt som Baidus.
Vad pull requesten faktiskt tillför
PR #51236 har titeln "[Feat] ERNIE-5.5-Flash: Lägg till Python-kodning för chattmall och FP4 MegaMoE-servering" och öppnades av chang-wenbin, en bidragsgivare, kl. 12:12 UTC den 18 november. Den rör 14 filer, lägger till 525 rader och tar bort 24. Den har inga godkännanden, alla dess CI-körningar hoppas över i väntan på en etikett, och både avsnitten för noggrannhetstest och hastighetstest i beskrivningen är de ofyllda mallkommentarerna. Läst som bevis spelar det roll: detta är kod som författaren anser behövs, inte kod som någon har verifierat.
Det är den fjärde pull requesten för ERNIE 5.5 på två veckor. #48546 lade till driftsättningsrecept i SGLang-kokboken och slogs samman den 5 november, dagen då Base-vikterna lades upp. #48547 lade till själva modellen – Ernie5_5_MoeForCausalLM, attention-backenden, KV-cachepoolen, en DSpark-utkastmodul – och slogs samman den 6 november. #49807 utökade NVIDIA LiteTopK-prefill till "LongCat, ERNIE 5.5, HY-4-family, Kimi K3.1" den 11 november och är fortfarande öppen. PR:en den 18 november är den första av de fyra som inte alls handlar om Base-checkpointen.
Chattmallen är i Python, och det förändrar vilka som kan köra den
ERNIE 5.5 Flash-checkpoints kan bära sin chattmall som Python i stället för som en Jinja-sträng, i en tokenizer-klass som PR:en kallar ErnieChatTokenizer. SGLang:s normala väg renderar promptar genom att anropa apply_chat_template mot en Jinja-mall i tokenizer-konfigurationen; den nya ernie5_5-chattkodningen anropar i stället checkpointens egen tokenizer och löser sig själv automatiskt från arkitektursträngen eller modelltypen ernie5_5_moe. Den praktiska konsekvensen är, med PR:ens egna ord: tokenizern måste laddas med --trust-remote-code, och servering av chatt med --skip-tokenizer-init avvisas direkt med ett förklarande fel.
Det är en driftsättningsbegränsning som en läsare kan agera utifrån. En modell som renderar promptar i Python kör kod från checkpoint-repositoriet vid förfrågan, så den som kör den luftgapad, i en härdad avbild eller bakom en policy som förbjuder fjärrkod måste antingen bädda in en egen kopia av tokenizern eller acceptera flaggan. Bas-checkpointen har inte det här problemet: dess publicerade tokenizer_config.json innehåller ingen chattmall alls och deklarerar en vanlig PreTrainedTokenizerFast, vilket är vad man skulle förvänta sig av en checkpoint som serveras via en completions-slutpunkt.
Tre mindre detaljer i samma fil är värda mer än de ser ut. Adaptern stöder inline-systemmeddelanden – systemturer mitt i konversationen renderas på plats, inte sammanfogas med det första meddelandet – vilket bara två andra encodingar i SGLangs källkodsträd gör. Den använder renderarens inbyggda fortsättning för continue_final_message, eftersom den generiska sökvägen för prefix-tillägg skulle tappa prefixet inuti det öppnade think-blocket. Och den utelämnar avsiktligt chat_template_kwargs som renderaren skulle avvisa, eftersom ErnieChatTokenizer kastar fel vid ett okänt nyckelord där en Jinja-mall tyst ignorerar ett sådant – PR:en pekar ut en frontend som skickar DeepSeek-liknande tänkande som det fall som bryter.
Buggfixen som följer av detta är den mest avslöjande enskilda raden i diffen. SGLangs förfrågningshanterare läser en thinking-nyckel och sätter den som standard till av; ernie55-resonemangsparsern läser enable_thinking och sätter den som standard till på. Att injicera hanterarens standardvärde renderade därför en prompt med tänkande avstängt under en resonemangsparser som förväntade sig resonemang, och modellens hela svar parsades till reasoning_content medan content lämnades tomt. Det är exakt det felmod som användare av Preview-slutpunkten har rapporterat sedan 11 november — vanliga svar som kommer fram som tomt content — och fixen antyder att chatt-checkpointen tänker som standard.
Resonemang och verktygsanrop får också sina parsrar automatiskt valda: ernie55 för resonemang, som läser <ernie:think>-taggar, och ernie55 för verktygsanrop, som läser <ernie:tool_call>. Adapterns docstring anger att text, verktygsanrop och växeln för tänkande stöds, och att mallens multimodala grenar är "lämnade till en senare uppgradering" – så från och med den här PR:en tillhandahålls chattmodellen som det Baidu har beskrivit den som överallt annars: en textmodell.
Varför fyrabitsexperter låser fast den snabba vägen till Blackwell
PR:ns andra halva handlar om routade experter lagrade i MXFP4, körda som w4a8 – fyrabitars vikter, åttabitars aktiveringar – via DeepGEMM:s MegaMoE all-to-all över GPU:er. Två implementationsval bär information om själva modellen.
• Kvantiseringen identifieras automatiskt från safetensors-huvudet, eftersom checkpointen inte innehåller någon routed_experts_quant_method-nyckel. Det stämmer överens med den publicerade Base-konfigurationen, som saknar ett sådant fält; inläsaren läser expert-dtype från filhuvudena och ställer in is_fp4_experts utifrån det.
• MegaMoE-vägen avvisas på SM90 och på ROCm, inte degraderas, eftersom SM90 FP8- och ROCm MegaMoE-kärnorna hårdkodar SwiGLU medan dessa experter är SiTU-aktiverade. PR:ns kommentar anger de exakta konstanter som DeepGEMM bakar in: SiTU beta 4.0 och linjär beta 25.0. Base checkpointens egen config.json deklarerar activation_situ_beta: 4.0 och activation_situ_linear_beta: 25.0, så kärnkonstanterna och vikterna stämmer överens — vilket är den sorts korsvalidering som får en läcka att framstå som ingenjörsarbete snarare än spekulation.
Det felmod som förhindras är det tysta. En {{1}}SM90{{/1}}-kärna som beräknade SwiGLU på SiTU-vikter skulle inte krascha; den skulle returnera flytande, något felaktig text. Att vägra starta är det bättre utfallet, och det är anledningen till att {{2}}FP4{{/2}}-historien är hårdvarubegränsad snarare än universell.
Vad det innebär kommersiellt är snävare än "ERNIE 5.5 Flash behöver Blackwell." Det gör den inte. SGLang-kokboken, som är skriven för Base-checkpointen, publicerar recept för enskild nod på B300, GB300, B200, GB200 och H100, och H100 FP8-receptet är åtta GPU:er eftersom FP8-vikterna är ungefär 280 GB. FP4-expertsökvägen är den som bara finns på SM100-delar, och SGLang har inte publicerat någon minnestabell för en FP4-checkpoint eftersom de inte har sett någon. Betrakta all "får plats på en B200"-aritmetik du ser – inklusive den uppenbara uppskattningen att halvera expertbyten tar en 280 GB-modell till något nära 150 GB – som en uppskattning, inte ett recept.
Vad är egentligen nedladdningsbart idag?
• ERNIE 5.5 Flash Base – öppna vikter sedan 5 november 2026, i FP8 och BF16, på Hugging Face och ModelScope. 280B totala parametrar, 14B aktiva, 43 lager (ett dense FFN-lager, 42 MoE), 512 routade experter med top-10 plus en delad expert i ett 2 048-dimensionellt latent utrymme. Hybrid-attention: 37 lager kraftigt komprimerad attention, 6 lager MLA med gles DSA-attention. Licensen är ERNIE 5.5 Flash Base Model License Agreement v1.0 – inte Apache 2.0.
• ERNIE 5.5 Flash Preview – endast via API sedan 11 november, på Baidu Qianfan, listad med en kontext på 1M tokens och hastighetsbegränsningar på 300 förfrågningar och 3 miljoner tokens per minut. Baidus lanseringsinlägg säger att vikterna "snart kommer att släppas som öppen källkod under Apache 2.0". I dag har de inte släppts. En gratisvariant av Preview har kunnat anropas via en tredjepartskatalog sedan 10 november.
• ERNIE 5.5 Flash — modellen som denna pull request handlar om. Inte släppt. SGLangs kokbok listar den som "ERNIE-5.5-Flash (FP8 / FP4 / BF16, kommer snart), med resonemang, verktygsanrop och ett medföljande DSpark-utkast", och Qianfans modelllista innehåller exakt en ERNIE 5.5-post, ernie-5.5-flash-preview. Det finns ingen Artificial Analysis-sida för någon ERNIE 5.5-modell, och arena-topplistans nyaste ERNIE-rad är ERNIE 5.1 på 1467 — så varje kapacitetssiffra som kopplas till denna modell är fortfarande Baidus egen.

Vilket är det ärliga sättet att läsa hela PR:en: den är skriven för en checkpoint som ingen kan ladda ner. FP4-detekteringskoden, DSpark-draftladdaren som bygger main_proj med FP8-kvantkonfigurationen och kvantiserar en BF16-feature_projection vid laddning, och uppvärmningen av encode-tabellen som innebär en uppmätt kostnad på 0,8 sekunder vid start i stället för vid den första förfrågan – allt riktar sig mot en artefakt som i en kodkommentar bara kallas "the 1110 checkpoint". Baidu har annonserat den artefakten och har inte publicerat den.

Vad detta är värt för någon som väljer en modell i dag
Väldigt lite som ett köpbeslut, och en hel del som ett schemaläggningsbeslut. Det släpp som skulle göra ERNIE 5.5 Flash till en kandidat är inte den här pull requesten; det är chat-checkpointen plus vilket pris Baidu än sätter på den plus en oberoende utvärdering. Vad PR:en däremot avgör är formen på den driftsättning du skulle skriva upp dig för om du planerar att självhosta: en Python-tokenizer som kräver fjärrkod, en FP4-snabbväg som kräver SM100-hårdvara, ett DSpark-spekulativt utkast paketerat i samma checkpoint-familj och en resonemangsparser som förutsätter att tänkandet är påslaget. Team som antog "vi har H100:or, vi kör den billiga kvantiserade versionen" vet nu att den billiga kvantiserade versionen är den som deras hårdvara inte klarar.
Om du föredrar att inte satsa en produktionsväg på vare sig slutpunkten eller den inte sammanslagna serveringskoden, är det sunda upplägget att hålla modellen bakom ett routningslager medan den bevisar sig. OrcaRouters katalog innehåller ingen ERNIE-modell — modellistan returnerar 218 poster och ingen Baidu-rad — så detta är inte ett påstående om att du kan anropa den här i dag. Det plattformen ger dig för en modell i det här läget är experimentupplägget: en OpenAI-kompatibel slutpunkt framför 200+ andra modeller, automatisk failover mellan leverantörer bakom den enda slutpunkten, och 0 % påslag där leverantörens listpris förs vidare, så en leverantörs omprissättning är vad du betalar samma dag den inträffar i stället för efter att en marginal har tillämpats. Om ERNIE 5.5 Flash senare dyker upp hos en leverantör som du redan dirigerar trafik till, blir ett försök med den en ändring av modellsträngen, inte en andra integration.

Vad skulle göra det här till en release story?
Fyra saker, ungefär i ordning efter hur mycket de skulle förändra bilden. Att pull requesten slås samman med CI och en granskad noggrannhetskörning skulle förvandla "någon har skrivit det här" till "SGLang kan servera det", vilket är skillnaden som det tidigare Base-stödet gjorde den 6 november. Att en MXFP4-checkpoint dyker upp på Hugging Face skulle göra FP4-halvan av PR:en testbar för vem som helst med en B200. De Apache 2.0-vikter som Baidu lovade för Preview skulle avgöra licensfrågan som Base-släppet lämnade öppen. Och en första oberoende poäng — en Artificial Analysis-sida, en rankad arena-post, ett reproducerbart agentiskt benchmark från någon som inte är Baidu — skulle ersätta leverantörstabellen med bevis.
Fram till dess är den intressanta frågan inte huruvida ERNIE 5.5 Flash är bra. Det är huruvida en modell kan anlända med sitt serveringskontrakt fullt specificerat och sina vikter fortfarande opublicerade, och vad det gör med de människor som planerar hårdvara utifrån tillkännagivanden. Den här veckan är svaret ja, och kontraktet är en chattmall i Python, fyrbitsexperter på en GPU-generation och en vägran att starta någon annanstans. Baidus nästa drag är vikterna; SGLangs är en granskning.
