ERNIE 5.5 Flash Preview har äntligen ett lanseringsinlägg, tjugo benchmarks och ett löfte om vikter

46,5 på Terminal-Bench 4.0 är det första resultat Baidu någonsin har publicerat för ERNIE 5.5 Flash Preview, och det kom den 11 november 2026 — en dag efter att modellen själv lanserades på Qianfan som en debiterbar endpoint med prislista och ingen dokumentation alls. Lanseringsinlägget som innehåller den siffran är det första officiella uttalandet om modellen, och det besvarar de tre frågor som endpointen inte kunde: vad den är (280 miljarder parametrar totalt med 14 miljarder aktiva, ett kontextfönster på 1M tokens, eftertränad på ERNIE 5.5 Flash Base-checkpointen från 5 november), hur Baidu säger att den står sig (tjugo benchmarkrader placerade bredvid GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 och en modell som bara anges som Hy4) och om du någonsin kommer att kunna köra den själv (vikterna "kommer snart att släppas som öppen källkod under Apache 2.0"). Varje siffra i den tabellen är leverantörsrapporterad, framtagen på Baidus egna testramverk med domarmodeller som Baidu valt, och inget av det har reproducerats utanför företaget. Benchmarkgruppen är den del av den här jämförelsen som du faktiskt kan styra. leverantörslistpris med 0 % påslag GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 och DeepSeek V4.1 Flash ligger på en och samma nyckel till leverantörens listpris, med OrcaRouter-avgiften visad som $0.00.

Vad Baidu lade på sidan

Inlägget är strukturerat som en demoreel med en benchmarkbilaga, vilket säger vad Baidu anser att argumentet är. Fyra kapacitetsavsnitt – spelutveckling, 3D-modellering och design, kunskapsarbete, videoskapande – var och en uppbyggd av artefakter som modellen producerade från början till slut inuti en agentharness, med externa tillgångar och verktyg krediterade del för del. Specifikationen står i inledningsstycket och återkommer aldrig: 280B totalt, 14B aktiva, 1M-tokenkontext, API på Qianfan, vikter utlovade under Apache 2.0. Det finns inget modellkort, ingen kunskapsavgränsning, ingen latenssiffra, inget pris och inget uttalande om hur många resonemangstokens modellen avger per uppgift.

Två meningar i inlägget betyder mer än resten av det tillsammans. Den första finns i avsnittet om spelutveckling och beskriver Unreal Engine 5.8-projektet: "Eftersom det är en textbaserad modell som inte kan se skärmen förvandlade den problem som upptäcktes i speltester, som en karaktär som svävar ovanför marken, en inkonsekvent springriktning och en felplacerad kamera, till mätbara tester i kod." Det är en ovanligt öppenhjärtig beskrivning av en workaround – modellen skrev tester eftersom den inte kunde titta på spelet – och det är det tydligaste uttalandet hittills om att detta är ett system med text in och text ut vars visuella kompetens delegeras till verktyg.

Det andra är avslutningsstycket: ERNIE 5.5 Flash Preview ”är en mellanliggande checkpoint från efterträning. Den är redan konkurrenskraftig mot modeller av sin storlek, men eftersom träningen inte är klar kan vissa förmågor fortfarande vara otillräckliga.” Ett lanseringsinlägg som berättar att lanseringen inte är klar är värt mer än ett som inte gör det, och det omramar allt ovanstående. Du läser inte ett produktmeddelande. Du läser en lägesrapport med en resultattavla bifogad, publicerad så att användarna ska återrapportera före den officiella lanseringen.

De tjugo benchmarkraderna, läs noggrant

Bilagstabellen är en enda bild, vilket i sig är ett litet avslöjande: siffrorna kan inte kopieras, sorteras eller kontrolleras mot ett kalkylark. Avläst från bilden löper ERNIE-kolumnen enligt följande, samtliga rapporterade av Baidu och ej reproducerade:

• Agentisk kodning – Terminal-Bench 4.0 på 46,5, DeepSWE v1.1 på 71,2, ProgramBench (nästan löst) på 29,5, NL2Repo-Bench på 64,8, Terminal-Bench-Science 0.1 på 21,0.

• Datoranvändning och automatisering – CookieBench på 88,2, AutomationBench på 61,9, APEX-Agents 1.1 på 64,2, DRACO på 84,9.

• Kunskapsarbete – SpreadsheetBench V2 på 36,4, OfficeQA Pro V2 på 67,9, Agents' Last Exam (CLI) på 29,0, SkillsBench 1.1 text-only på 73,5.

• Allmänna agenter och verktygsanvändning — Toolathlon-Verified på 79,0, MCP-Atlas på 84,6, BrowseComp på 87,4.

• Resonemang — HLE utan verktyg på 46,4 med en fotnotsmarkör, AA-Omniscience-Public på 25,2, AA-LCR v1.1 på 79,0.

• 3D — BlenderWorld endast text på 79,0, den enda raden som direkt tar upp CAD- och Blender-påståendena i brödtexten.

Ärligheten finns i fotnoterna, och de är värda att läsa innan man tittar på någon av cellerna. Varje benchmark kördes på ett namngivet testramverk – Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 och något som förkortas DSH förekommer alla – och domarmodellerna är Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 och Gemini 3.1 Flash-Lite. En fotnot medger att ”GLM-5.3 och vår modell saknar inbyggda multimodala funktioner; bildförståelse tillhandahålls via ett verktyg som drivs av Claude Opus 5.5.” Med andra ord slutfördes åtminstone några av de synberoende benchmarkarna av ERNIE 5.5 Flash Preview som drev ett verktyg vilket anropar en konkurrents modell. Det är ett legitimt ingenjörsval och en genuint märklig sak att upptäcka i en resultattavla, och det innebär att de rader som handlar om att titta på något mäter hela testramverket, inte bara modellen.

De två raderna med prefixet AA förtjänar ett eget förbehåll. AA-Omniscience-Public och AA-LCR v1.1 är benchmarkar som publicerats av Artificial Analysis, den oberoende bevakaren – men det är Baidus körningar av dem, inte körningar gjorda av Artificial Analysis. Från och med den 11 november finns det ingen ERNIE 5.5-rad på Artificial Analysis leaderboard, så det finns inget oberoende tal att ställa mot någon av cellerna.

Demoreelen är själva argumentet

Om benchmark-tabellen är den del som kommer att citeras, är de fyra fallstudierna den del som är svår att fejka, eftersom de beskriver arbetsprodukter snarare än poäng. Detaljerna är tillräckligt specifika för att i princip kunna kontrolleras och tillräckligt konkreta för att vara användbara när du ska avgöra vad du ska rikta den här modellen mot.

• Spelutveckling — ett tredjepersonsspel i Unreal Engine 5.8 som byggdes under en enda kodningsuppgift på 11 timmar, där resurser från flera generationer av spelmotorn sammanfogades till ett projekt och spelet skrevs i C++; separat genererades nästan 100 mobila minispel utifrån designdokument i Cocos, Unity, LayaAir, PixiJS och Canvas 2D, varav de flesta strukturerar reglerna som en deterministisk simulering så att botgenomspelningar och sökning i tillståndsrummet kan verifiera att varje nivå går att klara.

• 3D-modellering – en Boeing 747 och Beijing Daxings flygplats byggda av två agenter via Blender Python API, en på flygplatsen och en på flygplanet, sedan skalningsanpassade, belysta, renderade bildruta för bildruta med Cycles och OptiX och klippta med FFmpeg; Hōryū-ji-tempelkomplexet undersöktes och byggdes steg för steg; en previs-sekvens på ungefär 2 100 objekt och 1,82 miljoner trianglar över fyra Blender-scener; en W16-motor, två Shenzhen-torn och en månrover modellerade i FreeCAD via Python-skript.

• Kunskapsarbete – en forskningsrapport på 20 sidor om elkostnader för datacenter, en analys på 24 sidor av autonom körning baserad på 4 169 federala kraschrapporter, en interaktiv arbetsbok för förmögenhetsplanering med en Monte Carlo-simulering med 1 000 banor, och ett orkesterstycke på 6 minuter och 34 sekunder levererat som WAV. Träningshistorien bakom detta är den största siffran i inlägget: 300 000 arbetsytor som innehåller 10 miljoner referensfiler över fler än 40 filtyper.

• Video – fler än 150 000 skapandemiljöer och cirka 5 300 minuter färdig video, med en 116 sekunder lång 2D-animerad kortfilm som huvudnummer, skriven i över 10 000 rader Python, som för en enda parametriserad pelikan genom 20 konststilar.

Det dessa har gemensamt är att ingen av dem är en chattinteraktion. Var och en är en lång agentisk körning med verktygsanrop, och påståendet som görs handlar om uthållighet – huruvida modellen kan hålla ihop en plan genom timmar av redigeringar. Det är just den egenskap som en benchmarktabell med tjugo rader mäter sämst, och anledningen till att inlägget inleds med artefakter.

Där lanseringsinlägget och slutpunkten inte stämmer överens

Modellen som beskrivs i inlägget och modellen som beskrivs i Qianfans specifikationsblad är igenkännbart samma system, sett från två avdelningar som inte hade stämt av med varandra. Endpointen togs i drift den 10 november till $0,28 per miljon indatatoken och $1,13 per miljon utdatatoken, med cachade läsningar till $0,028, ett kontextfönster på 1 024 000 token, ett tak för utdata på 921 600 token, obligatoriskt resonemang på en enda hög ansträngningsnivå och inget modellkort. Lanseringsinlägget, som publicerades en dag senare, upprepar kontextfönstret, utelämnar helt priset, säger ingenting om obligatoriskt resonemang och levererar motsvarigheten till ett modellkorts positionering utan att leverera modellkortet.

Den praktiska konsekvensen är att de två halvorna av berättelsen måste läsas tillsammans eller inte alls. Inlägget säger att modellen kan hantera en elva timmar lång kodningsuppgift; slutpunkten säger att allt den tänker debiteras enligt utdatapriset och att du inte kan stänga av tänkandet. En körning som ägnar timmar åt att iterera är en körning som avger en enorm mängd utdatatokens, och till $1,13 per miljon är kostnaden för demovideon en fråga som inlägget aldrig tar upp. Tills någon mäter utdatatokens per slutförd uppgift i sin egen arbetsbelastning är varje jämförelse mellan den här modellen och en billigare en jämförelse av prislistor.

Det som fortfarande saknas, och det är inte lite.

Tre saknader definierar det nuvarande tillståndet för ERNIE 5.5 Flash Preview, och var och en löses på en egen tidsskala.

• Vikterna. Inlägget utlovar Apache 2.0 "snart" men anger inget datum, och den 11 november finns det inget förhandsgranskningsrepo på Hugging Face – de enda ERNIE 5.5-artefakter som publicerats där är ERNIE-5.5-Flash-Base och dess BF16-variant, båda skapade den 21 oktober. Bas-checkpointen levererades under licensen ERNIE 5.5 Flash Base, en begränsad community-licens som utesluter Europeiska unionen, Storbritannien och Sydkorea, begränsar gratis kommersiell användning utifrån relaterad årlig omsättning och kräver attribuering "Powered by ERNIE". Om förhandsgranskningens vikter faktiskt kommer under Apache 2.0 är det en ändring av licensvillkoren för familjen och en mycket större sak än någon benchmark-rad.

• Den oberoende poängen. Inget i den här versionen har körts av någon annan än Baidu. Benchmarkarna med AA i namnet är de man bör hålla ögonen på, eftersom Artificial Analysis kör sina egna testramverk och kommer att publicera en jämförbar rad om och när de lägger till modellen; till dess är de tjugo cellerna ett påstående, inte en mätning.

• Den färdiga modellen. Baidu säger att efterträningen pågår och att den officiella lanseringen kommer att förbättra förhandsversionen. Det är ett explicit uttalande om att dagens siffror har en begränsad hållbarhetstid, och det gör varje beslut att bygga vidare på denna checkpoint till ett beslut om ett rörligt mål.

Hur man utvärderar det utan att satsa en produktionsväg på det

Åtkomst sker via Baidus eget Qianfan-API eller via tredjepartsplattformar som återförsäljer det. OrcaRouter dirigerar inte ERNIE 5.5 Flash Preview – det finns ingen ERNIE-post i vår katalog med fler än 200 modeller och ingen Baidu-endpoint bakom den, så inget här bör tolkas som ett erbjudande om att tillhandahålla den.

Det som katalogen är användbar till i den här situationen är den andra sidan av bordet: modellerna som den här benchmarkas mot är alla nåbara via en OpenAI-kompatibel nyckel till leverantörens listpris med 0 % påslag, vilket gör det möjligt att själv köra samma tjugo uppgifter genom GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 och DeepSeek V4.1 Flash och se om Baidus rangordning håller när den möter dina prompter. Automatisk failover sköter det andra jobbet – en förhandsversion utan upptidshistorik behöver aldrig vara det enda som håller uppe en förfrågningsväg, eftersom en routad reserv kan ta anropet när det stannar.

Utvärderingen som är värd att köra den här veckan är snäv och billig. Ta tio av dina egna långsiktiga agentuppgifter, kör var och en genom förhandsversionen och genom två modeller som du redan litar på, och registrera tre saker per uppgift: om den slutfördes, hur många utdatatokens den gjorde av med och vad den kostade. Det ger dig de två siffrorna som Baidu inte publicerade – tokens per uppgift och kostnad per slutförd uppgift – mot en baslinje som du själv valde. Allt annat i lanseringsinlägget, inklusive 46.5, är någon annans testramverk.

Det som skulle avgöra frågan är inte ännu en demo. Det är ett datum för Apache 2.0-släppet, ett modellkort med en kunskapsgräns och en utvärderingstabell, en Artificial Analysis-rad som tagits fram av Artificial Analysis, och en andra checkpoint vars siffror kan jämföras med den här. Baidu har nu publicerat den berättelse som företaget borde ha publicerat den 10 november. Nästa sak som företaget är skyldigt sina användare är den artefakt som gör att de kan sluta förlita sig på dess ord när det gäller resultattavlan.