ERNIE-5.5-Flash vs Qwen 3.8 Flash: En bas-checkpoint möter en färdig modell

Ställ ERNIE-5.5-Flash bredvid Qwen 3.8 Flash och den första ärliga iakttagelsen är att de inte är samma typ av objekt. Det Baidu faktiskt har publicerat är ERNIE-5.5-Flash-Base, checkpointen i slutet av förträningen – före mid-training, före instruktionstuning, före något preferensarbete – så den fortsätter text i stället för att svara på förfrågningar, och den serveras via en completions-endpoint, inte en chat-endpoint. Qwen 3.8 Flash, som Alibaba släppte den 26 augusti 2026, är en färdig multimodal modell som tar text, bilder och video och returnerar text, för $0,15 per miljon indatatokens och $0,47 per miljon utdatatokens. Den ena är en startpunkt du fortfarande måste träna; den andra är en produkt du kan anropa i eftermiddag. Nästan varje siffra nedan ändrar betydelse beroende på vilken av dessa två saker du tror att du jämför, vilket är varför det är värt att reda ut det före specifikationsbladet snarare än efter.

Vad Baidu har levererat, och vad man inte har sagt

Släppet är tyst på det specifika sätt som kinesiska open weight-släpp ofta är: artefakterna anländer innan berättelsen gör det.baidu/ERNIE-5.5-Flash-Baseförvaret skapades på Hugging Face den 21 oktober, låg nästan tomt i en vecka och tog sedan emot sina 128 FP8-viktshardar mellan den 2 och 3 november. Arkitektur- och benchmarkdiagrammen kom den 4 november, och själva kortet höll fortfarande på att revideras i morse. Baidus egen släppsida är daterad i dag, den 5 november, och den enda diskussion som den har genererat utanför den sidan är en forumtråd och ett WeChat-inlägg. Det finns inget pressmeddelande, inget lanseringsevenemang och ingen pressbevakning att tala om.

Det spelar roll för vad du kan och inte kan lita på. Det som går att veta från repositoriet: arkitekturen, parameterantalen, en fullständig leverantörsbenchmarktabell med ett uttryckligen namngivet ramverk, fungerande serveringsrecept för SGLang och vLLM, licenstexten och det faktum att en BF16-syskonmodell finns vid sidan av FP8-varianten. Det som inte går att veta: huruvida Baidu avser att servera den som ett API – Qianfans prislista, senast uppdaterad 18 oktober, listar ERNIE 5.1, 5.0 och 4.5 Turbo, och ingen ERNIE 5.5-post av något slag – vad en instruktionstränad version av den får för poäng, och huruvida någon oberoende utvärderare kommer att reproducera en enda siffra i Baidus tabell.

Tidningens specifikation, för protokollet: 280B totala parametrar med 14B aktiva per token, förtränad från grunden på 33,5T tokens, 43 lager varav ett är ett dense FFN-lager och 42 är MoE-lager, 512 routade experter med top-10-routing plus en delad expert, och ett ordförråd på 201 216 tokens. Den släppta konfigurationen möjliggör en kontext på 1 048 576 tokens, även om träningen bara någonsin såg 131 072. Det finns också ett 0,36B multi-token-prediction-huvud som inte räknas in i någon av parameterangivelserna.

Specifikationskontrasten, utifrån de dimensioner som faktiskt avgör

• Vad du får — ERNIE-5.5-Flash-Base är en checkpoint och inget annat: vikter du laddar ner, en /v1/completions-slutpunkt och inget instruktionsföljande beteende. Qwen 3.8 Flash är en serverad modell med verktygsanrop, resonemangsläge, strukturerade utdata och ett maximalt svar på 131 072 tokens.

• Storlek — 280B totalt / 14B aktiva för ERNIE mot 125B totalt / ungefär 6B aktiva för Qwen 3.8 Flash, som också har en 51B n-gram-inbäddningstabell och ett ~4B MTP-huvud, vilket innebär att cirka 180B parametrar ligger på disk.

• Attention-design — ERNIE använder 43 lager uppdelade på 37 kraftigt komprimerade attention-lager (HCA) plus 6 MLA-lager med gles attention; Qwen 3.8 Flash använder en hybrid av Gated DeltaNet och Qwen Sparse Attention över 48 lager. Båda är satsningar på att klassisk full attention är fel sak att betala för till priser på Flash-nivå, gjorda från motsatta håll.

• Kontext — 1M token uppges på båda sidor, från olika håll: ERNIE är tränad på 128K och möjliggör 1M endast vid finjustering och inferens, medan Qwen 3.8 Flash har nativt 262K och når 1M genom YaRN-förlängning.

• Modalitet — ERNIE-5.5-Flash-Base är endast text, på engelska och kinesiska. Qwen 3.8 Flash tar emot text, bilder och video, och dess leverantörstabell innehåller resultat för AndroidWorld, OSWorld 2.0, MathVision och LVBench som en textbaserad checkpoint inte kan producera.

• Vikter på Qwen-sidan — produktionsversionen av Qwen 3.8 Flash är endast tillgänglig via API, men dess öppna systermodell Qwen3.8-Flash-Next publiceras under Qwen Community License 1.0, så de två sidorna är mer jämförbara än vad ramverket API kontra vikter först antyder.

• Servering — Baidu levererar ett fungerande recept: avbildningen lmsysorg/sglang:dev-ernie-55-flash med --tp 4, eller vLLM 0.32.0 plus plugin-programmet baidu/vLLM-ERNIE med data-parallell storlek 4. Qwen 3.8 Flash behöver inget serveringsrecept eftersom Alibaba serverar det åt dig.

• Pris — inget publicerat pris per token för ERNIE-5.5-Flash-Base någonstans, eftersom det inte finns någon hostad endpoint att prissätta; $0,15 in / $0,47 ut per miljon tokens för Qwen 3.8 Flash, med cachade indataläsningar till $0,0184.

• Licens — ERNIE 5.5 Flash Base Model License Agreement v1.0, ett anpassat avtal som är värt att läsa i sin helhet innan du bygger en produkt på det, jämfört med Qwen Community License 1.0 på den öppna Qwen-sidan.

Benchmark-raderna som ser jämförbara ut men inte är det

Här är fällan som den här jämförelsen ställer till. Båda leverantörerna publicerar en LiveCodeBench-siffra, och de två siffrorna är 40,1 och 91,9.

De mäter inte samma sak, och gapet mellan dem är inte ett kapacitetsgap. Baidus 40,1 är Pass@1, one-shot, på den råa förtränade checkpointen – modellen ombeds slutföra kodfortsättningar utan att någonsin ha lärt sig följa en instruktion. Alibabas 91,9 är LiveCodeBench v6, en annan och senare benchmarkversion, rapporterad för en modell som har gått igenom en fullständig efterträningspipeline. GPQA-paret har samma problem: 60,2 för ERNIE vid five-shot exact match på en bascheckpoint, 91,7 för Qwen på GPQA Diamond efter instruktionstuning. Till och med MMLU-jämförelsen, 93,3 mot en modell som inte publicerar någon MMLU, har ingenting att ställas bredvid.

Detta är inte en pik mot någon av modellerna. Det är ett uttalande om vad en utvärdering av en basmodell är till för. En 40,1 på LiveCodeBench från en checkpoint som aldrig har sett en instruktion är ett uttalande om hur mycket kodstruktur förträningen absorberade, och det är en rimlig siffra utifrån den tolkningen. Den säger ingenting om hur samma vikter skulle prestera efter att någon har finjusterat dem. Ingen, inklusive Baidu, har publicerat den siffran.

Den enda tabell som kan läsas rakt av är Baidus egen, eftersom alla fyra kolumner kördes genom samma pipeline, samma prompter och samma few-shot-inställningar. Mot DeepSeek-V4-Flash-Base (284B-A13B), Hy3-preview-Base (295B-A21B) och MiMo-V2.5-Base (310B-A15B) ligger ERNIE-5.5-Flash-Base bäst i raden på 24 av 30 benchmarkar, inklusive MMLU-Pro på 78,4 mot 69,2, HumanEval+ på 82,3 mot 69,5 och RepoQA på 91,7 mot 81,0. Den förlorar ChineseSimpleQA mot DeepSeek, FullStackBench och BBH chain-of-thought mot Hy3, samt både HELMET-Rerank och InfiniteBench mot DeepSeek. Det är leverantörskörda siffror på en av leverantören vald testram utan oberoende replikering – men de är internt jämförbara, vilket är mer än man kan säga om någon parning över leverantörsgränser i den här artikeln.

Vad varje rutt kostar, med beräkningen visad

Qwen 3.8 Flash är den som är lätt att prissätta. Utgå från en arbetsbelastning för support och extrahering med 1 000 förfrågningar per dag, med i genomsnitt 6 000 indatatoken och 800 utdatatoken: 6 miljoner indatatoken och 0,8 miljoner utdatatoken dagligen, eller 180 miljoner och 24 miljoner under en månad med 30 dagar. Till $0,15 och $0,47 per miljon blir det $27,00 plus $11,28 — $38,28 i månaden, där cachade läsningar till $0,0184 per miljon minskar den återkommande systempromptsdelen ytterligare.

ERNIE-5.5-Flash-Base har ingen motsvarande radpost, så den enda ärliga kostnadsmodellen är hårdvara. FP8-förrådet består av 128 shards på ungefär 2,25 GB vardera, cirka 288 GB vikter; BF16-syskonmodellen fördubblar det. Baidus eget startkommando för SGLang delar upp det i fyra delar med --tp 4, vilket lägger cirka 72 GB vikter på varje GPU innan någon KV-cache ens existerar — genomförbart på ett 80 GB-kort bara om du aldrig använder kontextfönstret, och bekvämt på kort i H200-klassen. Hyr fyra av dessa till ett mellanklasspris på 2–3 dollar per GPU-timme och noden kostar ungefär 5 800–8 600 dollar i månaden vid kontinuerlig drift, innan du har betalat någon för att finjustera den, utvärdera den eller hålla serveringsstacken uppdaterad.

Det är i storleksordningen 150 till 225 gånger Qwen API-kostnaden i exemplet ovan, och jämförelsen är medvetet orättvis i en riktning: de två är inte utbytbara förrän någon eftertränar ERNIE-checkpointen. Poängen med räkneexemplet är inte att självhosting är dyrt – det är att den fasta kostnaden är verklig och uppstår innan modellen kan svara på en enda instruktion, så den volym vid vilken det lönar sig att äga den framför att hyra något färdigt är mycket högre än en jämförelse per token antyder.

Lång kontext är där de två designerna möts

Båda modellerna uppger en miljon token, och båda når dit genom att vägra lägga full uppmärksamhet på en miljon positioner. ERNIE:s HCA-lager cachar en enda post per 128 token, så 37 av dess 43 lager växer sin KV-cache 128 gånger långsammare än ett konventionellt lager skulle göra; de sex MLA-lagren behåller åtkomst i full upplösning för de token som behöver det. Qwens GDN-plus-QSA-hybrid gör samma typ av avvägning från sparse-attention-sidan, och dess 6B aktiva parametrar håller beräkningen per token låg oavsett vad uppmärksamheten gör.

För en läsare är den praktiska skillnaden inte vilken design som är smartare – båda är trovärdiga – utan att bara en av de två har ett pris för att faktiskt använda den kontexten. En prompt på en miljon tokens på Qwen 3.8 Flash har en siffra kopplad till sig i dag. På ERNIE-5.5-Flash-Base har samma prompt en uppskattning i GPU-timmar och en obesvarlig fråga om hur en basmodell beter sig vid den längden utan instruktionsträning.

Vem ska välja vilken

Välj Qwen 3.8 Flash om du behöver en modell som följer instruktioner nu, om dina indata innehåller skärmbilder, dokument eller video, om du vill att fakturan för lång kontext ska vara någon annans kapacitetsplaneringsproblem, och om $0,15/$0,47 per miljon tokens passar enhetskostnaden för det du bygger. Den är två månader gammal, tredjepartsspårare har fångat upp den sedan lanseringen, och leverantörens siffror – SWE-bench Pro 62,5, GPQA Diamond 91,7, CoWorkBench 73,9 – är påståenden snarare än verifierade resultat, så behandla dem som en övre gräns tills din egen utvärdering säger något annat.

Välj ERNIE-5.5-Flash-Base om du har kapacitet för efterträning och en anledning att äga modellen i stället för att hyra den: en domän vars data du inte kan skicka till ett API, en arbetsbelastning på kinesiska och engelska där CMMLU 90.0 och ChineseSimpleQA 73.0 är siffrorna du bryr dig om, ett RL-forskningsprogram som vill ha en 280B-A14B-startpunkt, eller en latensbudget som motiverar en dedikerad nod med fyra GPU:er. Du behöver också känna dig trygg med att licensen är ett anpassat Baidu-avtal, inte Apache, och att modellen inte gör något användbart förrän ditt team gör den användbar.

Välj ingen av dem, men, om det du faktiskt vill ha är en beprövad modell för allmänna ändamål. Qwen 3.8 Flash är en färdig produkt utan oberoende benchmarkpoäng, och ERNIE-5.5-Flash-Base är en ofärdig modell med en leverantörsbenchmarktabell. Ingen av dem är det säkra standardval som en två år gammal flaggskeppsmodell skulle vara.

Att genomföra experimentet utan att satsa en färdplan på det

Det besvärliga med den här matchningen är att de två sidorna nås på helt olika sätt, och ett routningslager hjälper till med exakt en av dem. Qwen 3.8 Flash finns tillgänglig via OrcaRouter som qwen/qwen3.8-flash, till leverantörens listpris med 0 % påslag — samma $0.15 och $0.47 som leverantören tar, vidarebefordrade, utan något tillägg för mellanledet. ERNIE-5.5-Flash-Base är inte något vi tillhandahåller: det är ett släpp av modellvikter, och det finns ingen hostad slutpunkt för den att routa till, varken här eller någon annanstans som vi kan hitta.

Det som en enda slutpunkt verkligen är bra för i den här situationen är delen som kommer efter experimentet. Den realistiska vägen för en ERNIE 5.5 Flash är att ett team eftertränar bascheckpointen, och frågan blir då om den finjusterade modellen slår Qwen 3.8 Flash på din egen trafik. Med båda bakom en enda nyckel är det ett byte av modell-id i stället för ett andra avtal och en andra SDK, routnings-DSL:en kan dela upp produktionstrafiken mellan dem medan du bestämmer dig, och automatisk redundansväxling innebär att en obeprövad vinnare inte kan slå ut hela funktionen på sin första dåliga dag. Modellfusion ger dig det tredje alternativet – en panel som svarar tillsammans – vilket ofta är det billigaste sättet att ta reda på om en ny finjustering faktiskt är bättre än den nuvarande eller bara annorlunda.

Vad skulle ändra det här svaret?

Tre saker, i ungefärlig sannolikhetsordning. {{1}}En instruktionstränad ERNIE 5.5 Flash skulle förvandla detta från en kategorimissmatchning till en riktig direkt jämförelse{{/1}}, och basmodellens siffror tyder på att den skulle vara konkurrenskraftig – 82,3 på HumanEval+ och 91,7 på RepoQA från en icke instruktionstränad checkpoint är en stark utgångsposition. {{2}}En ERNIE 5.5-post på Qianfans prislista skulle ge kalkylen för egen drift något att jämföra med och visa om Baidu avser att sälja den här modellen eller ge bort den{{/2}}. Och {{3}}en tredjepartspoäng för endera modellen skulle låta en läsare sluta lita blint på leverantörstabeller{{/3}}, vilket är det läge som det här paret sitter fast i i dag: Qwen 3.8 Flash har inget oberoende benchmarkresultat att visa upp, och ERNIE-5.5-Flash-Base har ingen rad på någon neutral leaderboard över huvud taget.

Tills två av dem är på plats är "vilken som är bättre" inte en fråga som någon har mätt. Det som går att svara på i dag är snävare och mer användbart: Qwen 3.8 Flash är en modell du kan anropa, och ERNIE-5.5-Flash-Base är en modell du kan bygga vidare på. Det är olika uppgifter, och ingen benchmarktabell kommer att avgöra vilken du har.