ERNIE-5.5-Flash vs GPT-6 Luna: Vad en Flash-nivå faktiskt är skyldig dig

Flash är inte ett parameterantal. Det är ett kommersiellt löfte med fyra klausuler: ett pris per miljon token, en latens som du kan planera en förfrågan efter, ett kontextfönster som du kan dimensionera en applikation efter, och en poäng som någon oberoende har verifierat. GPT-6 Luna, som OpenAI släppte den 22 september 2026, redovisar alla fyra. ERNIE-5.5-Flash, vars basvikter Baidu släppte den 5 november 2026, redovisar ingen av dem – inget pris, ingen levererad latens, ingen oberoende utvärdering och en kontextsiffra som beskriver en checkpoint-konfiguration snarare än en endpoint. Att ställa ERNIE-5.5-Flash mot GPT-6 Luna är därför inte en direkt jämförelse. Det är ett användbart test av vad ordet "Flash" ska garantera, och en demonstration av hur mycket av den garantin Baidu ännu inte har gett. Luna serveras till leverantörens listpris med routningsprinciper för effort och kontext samlade på ett ställe.

Klausul ett: pris

GPT-6 Luna listas till $0,10 per miljon inputtokens och $0,50 per miljon output. Läsning av cachad input kostar ungefär $0,01, cacheskrivningar cirka $0,125, och prompter över 272K inputtokens flyttas till en högre prisnivå på $0,20/$0,75. Jämfört med GPT-6 Sol på $2/$10 och GPT-6 Astra på $10/$50 är Luna ungefär en tjugondel respektive en hundradel av kostnaden — OpenAI beskriver lanseringen som en permanent sänkning med 50 procent jämfört med GPT-5.6:s kampanjpriser, inte som en tillfällig rabatt.

ERNIE-5.5-Flash har inget pris. Inte ett opublicerat sådant, inte ett sådant som kräver företagsoffert: den eftertränade modellen finns inte, så det finns inget att prissätta. Det som finns är ERNIE-5.5-Flash-Base, en gles MoE med 280B parametrar och 14B aktiva per token enligt ERNIE 5.5 Flash Base Model License Agreement v1.0, gratis att ladda ner i FP8 och BF16.

Det är hela klausul ett. En modell för tio cent per miljon indatatokens på ena sidan, och ett kodförråd på den andra.

Klausul två: latens

Lunas latensprofil är ovanligt ärlig om sina egna avvägningar. Utdata ligger på omkring 154 token per sekund. Vid låg resonemangsansträngning är mediantiden till första token cirka 1,5 sekunder. Vid maximal resonemangsansträngning sträcks den till ungefär 124 sekunder – en siffra som gör modellen oanvändbar för interaktivt arbete vid den inställningen och helt rimlig för batchanalys. En Flash-nivå som publicerar båda siffrorna berättar vilka driftsättningar den är till för.

ERNIE-5.5-Flash publicerar ingen genomströmning och ingen tid till första token, eftersom det inte finns någon serverad endpoint att mäta. Det som kan slutas är arkitektoniskt: 14B aktiva parametrar per token av totalt 280B är en design som syftar till billig, snabb avkodning, och 14B aktiva är en mindre arbetsmängd än GLM-5.3 Flashs 18B eller DeepSeek V4.1 Flashs uppdelning på 8B indata/16B utdata. På papperet är den byggd för att vara snabb. På papperet är där det påståendet måste stanna tills någon servar den.

Klausul tre: kontext

GPT-6 Lunas fönster ligger på omkring en miljon tokens, med utdata begränsad till nära 128K. Detaljen värd att lägga märke till är att detta är större än GPT-6 Sols 872K – den billigare modellen tar emot mer indata än den dyrare. Det inverterar den vanliga eskaleringslogiken. Det standardmässiga routningsmönstret är "skicka den stora nyttolasten till den stora modellen"; Luna bryter det, och varje router som konfigurerats utifrån det gamla antagandet kommer att spendera för mycket.

ERNIE-5.5-Flash-Base rapporterar 128K träningskontext och 1 048 576 tokens aktiverade för finjustering och inferens i den släppta konfigurationen. Det är inte samma sorts siffror som Lunas. Den ena är en konfigurationsflagga på en checkpoint som aldrig har serverats vid den längden; den andra är en produktgräns med en prisnivå kopplad vid 272K. Baidus långkontextbevis är en benchmark-genomgång – HELMET-RAG 71,5, RepoQA 91,7, LongBench-v2 48,7, InfiniteBench 46,5 – körd under dess egen harness, och inlägget medger att minst två av dessa långkontextrader tillhör en konkurrerande basmodell.

Punkt fyra: en poäng som någon annan har kontrollerat

Lunas publicerade position är blandad, och det är det som gör den trovärdig. BenchGecko rapporterar en genomsnittlig poäng på 55,9 med en placering runt 116:e plats; leverantörsnära siffror inkluderar DeepSWE v1.1 på 66,6, OSWorld 2.0 på 52,7, LiveBench kodning 79 och matematik 89,1. Terminal-Bench 4.0 landar på omkring 13,6 procent i Vals AI:s körning, och AutomationBench på 20,7. Artificial Analysis placerar dess intelligensindex på ungefär 37 till 38, under Sol på omkring 48 och Astra på omkring 53, och dess index för kodningsagenter på omkring 41 – en försämring från GPT-5.6 Lunas 43. Hallucinationsfrekvensen förbättrades från 93 procent till 77 procent, vilket är bättre och fortfarande inte bra.

Så Luna är en billig modell med ett dokumenterat tak och minst en dokumenterad regression. Det är mer användbart för en köpare än en stark siffra utan härkomst, eftersom det talar om var man inte ska använda den: agentiska kodningsloopar, faktåtergivning i högrisksammanhang och allt som beror på miljömanipulation i Terminal-Bench-stil.

ERNIE-5.5-Flash:s sida av denna klausul är en tabell över basmodellen. MMLU 93,3, MMLU-Pro 78,4, GPQA 60,2, HumanEval+ 82,3, LiveCodeBench 40,1 – alla uppmätta före efterträning, i Baidus testramverk, mot andra bascheckpunkter. Det är en legitim tabell. Det är inte ett svar på "hur bra är den modell jag skulle anropa", eftersom den modell du skulle anropa inte har byggts.

Varför "Flash" vid 280B är något helt annat

Det finns en strukturell poäng som döljer sig under jämförelsen. Luna är en liten modell som blir billig genom att vara liten. ERNIE-5.5-Flash är en stor modell som blir billig genom att aktivera en liten del av sig själv – 14B av 280B per token. Ekonomin är verkligen annorlunda: minneskostnaden skalar med totalen på 280B, beräkningskostnaden skalar med de 14B som är aktiva. För en leverantör som levererar i volym är det en attraktiv form, eftersom den dyra delen amorteras över många samtidiga förfrågningar och den billiga delen är det som varje token kostar.

För en självhostare är samma form ett problem. Du behöver minnet för 280B parametrar i FP8 – i storleksordningen 280 GB före KV-cache – för att få beräkningsprofilen hos en 14B-modell. Det är en datacenterutplacering, inte en arbetsstationsutplacering, och det är därför bascheckpoints av den här storleken tenderar att bli API:er snarare än lokala modeller.

Luna är motsatsen: tillräckligt liten för att kunna erbjudas brett, prissatt därefter och tillgänglig via OpenAI:s API, ChatGPT Work, Codex och skrivbordsappen på Free- och Go-nivåerna. Distributionen är en del av produkten.

Var OrcaRouter passar in, och var det inte passar

GPT-6 Luna kan dirigeras på OrcaRouter som openai/gpt-6-luna, till leverantörens listpris med 0 % påslag. Det spelar större roll än vanligt för den här modellen, eftersom de intressanta dirigeringsbesluten kring Luna inte alls handlar om pris — de handlar om ansträngning. En begäran som kräver 1,5 sekunders latens till första token bör inte skickas till samma ansträngningsinställning som ett batchjobb som kan vänta två minuter, och en arbetsbelastning som ibland behöver 800K kontext bör inte som standard gå till Sol utifrån antagandet att den större modellen har det större fönstret. Ett dirigeringslager som kan hålla dessa policyer på ett ställe, med automatisk failover när en leverantör försämras, gör verkligt arbete här.

ERNIE-5.5-Flash finns inte i OrcaRouter-katalogen – 216 modell-ID:n, ingen ERNIE-post – och inget i den här artikeln bör läsas som ett påstående att den gör det. Det finns ingen endpoint att routa till. Den ärliga hållningen är att den dag Baidu tillhandahåller den eftertränade modellen blir routningsfrågan intressant; i dag är den hypotetisk.

Vad skulle göra ERNIE till en konkurrent till Luna?

Fyra saker, och de är samma fyra klausuler.

• Ett pris på eller under $0.10/$0.50. Allt över Lunas pris måste motiveras med kvalitet på kinesiska eller datalagring i landet, och Baidu har ännu inte framfört något av dessa argument för den här modellen.

• Ett uppmätt genomströmningstal. Designen med 14B aktiva parametrar tyder på att den skulle kunna vara snabb; tills en leverantör publicerar tokens per sekund och tid till första token är det en arkitektonisk slutledning, inte en specifikation.

• En serverad kontextgräns med ett pris kopplat till sig. Konfigurationen med 1,048,576 token är en kapacitet hos checkpointen. Lunas fönster är en produktterm, inklusive prisnivån på 272K. Det är olika åtaganden.

• En eftertränad modell med oberoende utvärdering. Det här är den stora. Avståndet mellan en bascheckpoint och en färdig Flash-modell är där instruktionsföljsamhet, verktygsanvändning och formateringsdisciplin ligger, och det är exakt det avstånd som Luna redan har tillryggalagt.

Tills de fyra finns har jämförelsen ett tydligt svar för alla som köper kapacitet: GPT-6 Luna, med sina dokumenterade svagheter, är ett verkligt alternativ till ett verkligt pris, och ERNIE-5.5-Flash är en forskningslansering som bär en produktnivås namn. Den mer intressanta observationen är att Baidu valde att släppa basvikterna först och högljutt dokumenterade arkitekturen – 43 lager, 37 HCA plus 6 MLA-DSA, 512 routade experter med top-10, en vokabulär på 201 216 token – vilket framstår som ett labb som bjuder in till post-training-arbete snarare än en leverantör som öppnar en säljkanal. Bedöm det efter den måttstocken och det är en bra lansering. Bedöm det mot Luna och det är ännu inte på samma marknad.