ERNIE 5.5 Flash Preview ต้องการงานที่ยากที่สุดของคุณ: การสร้างที่ใช้เวลาสิบเอ็ดชั่วโมงพิสูจน์อะไรได้จริง

ERNIE 5.5 Flash Preview เปิดให้ใช้งานจริงในฐานะ endpoint ที่คิดค่าใช้จ่ายบนแพลตฟอร์ม Qianfan ของ Baidu เมื่อวันที่ 10 พฤศจิกายน 2026 และโพสต์เปิดตัวอย่างเป็นทางการก็ตามมาในวันที่ 11 พฤศจิกายน พร้อมข้อกล่าวอ้างในพาดหัวเดียวว่า ส่งงานที่ยากที่สุดของคุณมาให้มัน ข้อกล่าวอ้างนั้นอาศัยผลงานชิ้นหนึ่งมากกว่าสิ่งอื่นใด — เกม Unreal Engine 5.8 มุมมองบุคคลที่สามที่สร้างขึ้นจากสิ่งที่ Baidu อธิบายว่าเป็นงานเขียนโค้ดงานเดียวที่ใช้เวลาสิบเอ็ดชั่วโมง — และอาศัยแถวผลการทดสอบมาตรฐานยี่สิบแถวที่ Baidu รันบนชุดทดสอบของตนเองโดยใช้ผู้ตัดสินที่บริษัทเลือกเอง ทั้งสิบเอ็ดชั่วโมงและตัวเลขยี่สิบรายการนั้นไม่มีการทำซ้ำนอกบริษัท คำถามที่น่าสนใจไม่ใช่ว่าตัวอย่างสาธิตน่าประทับใจหรือไม่ แต่คือการรันแบบเอเจนต์ที่ใช้เวลาสิบเอ็ดชั่วโมงเป็นสิ่งที่ควรวัดหรือไม่ และสเปกชีตบอกอะไรเกี่ยวกับค่าใช้จ่ายที่คุณจะต้องจ่ายสำหรับการรันหนึ่งครั้ง แคตตาล็อกมีโมเดล 228 รายการจากผู้ให้บริการ 17 ราย และ ไม่มีรายการ ERNIE ในแคตตาล็อกที่มีโมเดล 228 รายการจากผู้ให้บริการ 17 ราย ดังนั้นกลุ่มเปรียบเทียบจึงเข้าถึงได้ด้วยคีย์เดียว แม้ว่าตัวแบบที่พูดถึงจะไม่เป็นเช่นนั้น

ข้อกล่าวอ้างนี้เกี่ยวกับระยะเวลา ไม่ใช่ความยาก

โพสต์เปิดตัวโมเดลทุกโพสต์มักบอกว่าโมเดลเก่งเรื่องยาก โพสต์นี้ให้คำจำกัดความของ “ยาก” ต่างออกไป โดยนิยามว่า “ยาก” คือ “ยาว” การบิลด์เกม ฉาก 3D เวิร์กสเปซที่มีไฟล์หลายพันไฟล์ และแอนิเมชันสั้นความยาว 116 วินาที ล้วนเป็นการฝึกประคองแผนให้เป็นหนึ่งเดียวตลอดหลายชั่วโมงของการแก้ไขและการเรียกใช้เครื่องมือ ไม่ใช่การตอบคำถามที่โมเดลเล็กกว่าจะตอบผิด

ความแตกต่างนี้สำคัญ เพราะคุณสมบัติสองอย่างนี้ไม่ได้ไปด้วยกันเสมอ โมเดลหนึ่งอาจยอดเยี่ยมในการให้เหตุผลแบบเทิร์นเดียว แต่พังทลายลงตอนชั่วโมงที่สี่ของการรีแฟกเตอร์ เมื่อบริบทเต็มไปด้วยข้อผิดพลาดก่อนหน้าของมันเอง และแผนจำเป็นต้องได้รับการปรับปรุงมากกว่าการลงมือทำตาม โมเดลหนึ่งอาจธรรมดา ๆ กับปริศนาที่เล่นครั้งเดียว แต่ยังคงเป็นตัวเลือกที่เหมาะสมสำหรับการสร้างข้ามคืน Baidu กำลังเดิมพันว่าคุณสนใจสิ่งหลัง

ประโยคที่มีประโยชน์ที่สุดในโพสต์ทั้งหมดไม่ใช่ benchmark แต่อยู่ในส่วนการพัฒนาเกม ซึ่งอธิบายว่าโมเดลทำงานอย่างไรโดยที่มองไม่เห็น: เนื่องจากมันเป็นข้อความล้วนและไม่สามารถดูหน้าจอได้ มันจึงแปลงบั๊กที่พบระหว่างการเล่นทดสอบ — ตัวละครลอยอยู่เหนือพื้น, ทิศทางการวิ่งที่ไม่สม่ำเสมอ, กล้องที่วางผิดตำแหน่ง — ให้เป็นเทสที่วัดผลได้ในโค้ด นั่นคือคำอธิบายตรงไปตรงมาของวิธีเลี่ยงปัญหา และบอกอะไรบางอย่างที่เอกสารสเปกไม่ได้บอก ความสามารถของโมเดลในงานด้านภาพถูกมอบหมายให้เครื่องมือที่มันเขียนขึ้นเอง ซึ่งหมายความว่าคุณภาพของผลลัพธ์ขึ้นอยู่กับว่ามันสามารถคิดค้นเทสที่ตรวจสอบได้สำหรับสิ่งที่มันมองไม่เห็นหรือไม่

สิ่งที่อยู่จริง ๆ ในรีลนี้

กรณีศึกษาทั้งสี่นี้คุ้มค่าที่จะนำมา列出 เพราะมีความเฉพาะเจาะจงกว่าข้อความเปิดตัวที่มักเป็นกัน และความเฉพาะเจาะจงคือสิ่งที่ทำให้ตรวจสอบได้ในเชิงหลักการ

• การพัฒนาเกม — เกมมุมมองบุคคลที่สามบน Unreal Engine 5.8 ที่สร้างขึ้นในงานเดียวซึ่งใช้เวลาสิบเอ็ดชั่วโมง โดยรวมแอสเซ็ตจากหลายรุ่นของเอนจินไว้ในโปรเจกต์เดียวและเขียนเกมด้วย C++; แยกต่างหากนั้น มีมินิเกมมือถือเกือบหนึ่งร้อยเกมที่สร้างจากเอกสารออกแบบบน Cocos, Unity, LayaAir, PixiJS และ Canvas 2D ซึ่งส่วนใหญ่จัดโครงสร้างกฎเป็นแบบจำลองที่กำหนดผลได้แน่นอน เพื่อให้การเล่นโดยบอตและการค้นหาปริภูมิสถานะสามารถพิสูจน์ได้ว่าทุกระดับผ่านได้

• การสร้างแบบจำลอง 3D — Boeing 747 และสนามบินปักกิ่งต้าซิงที่สร้างโดยเอเจนต์สองตัวผ่าน Blender Python API โดยตัวหนึ่งทำสนามบินและอีกตัวทำอากาศยาน จากนั้นปรับสเกลให้ตรงกัน จัดแสง เรนเดอร์ทีละเฟรมด้วย Cycles และ OptiX และตัดต่อด้วย FFmpeg; กลุ่มวัดโฮรยูจิที่ค้นคว้าและประกอบขึ้นทีละขั้นตอน; ซีเควนซ์พรีวิสที่มีวัตถุราว 2,100 ชิ้นและสามเหลี่ยม 1.82 ล้านรูปกระจายอยู่ในฉาก Blender สี่ฉาก; เครื่องยนต์ W16 ตึกสองแห่งในเซินเจิ้น และยานสำรวจดวงจันทร์ที่สร้างแบบจำลองใน FreeCAD ผ่านสคริปต์ Python

• งานความรู้ — รายงานการวิจัย 20 หน้าว่าด้วยต้นทุนค่าไฟฟ้าของศูนย์ข้อมูล, การวิเคราะห์การขับขี่แบบอัตโนมัติ 24 หน้าที่สร้างจากรายงานอุบัติเหตุระดับรัฐบาลกลาง 4,169 ฉบับ, สมุดงานวางแผนความมั่งคั่งแบบโต้ตอบพร้อมมอนติคาร์โล 1,000 เส้นทาง และบทเพลงออร์เคสตราความยาว 6 นาที 34 วินาทีที่ส่งมอบเป็นไฟล์ WAV

• วิดีโอ — สภาพแวดล้อมการสร้างสรรค์มากกว่า 150,000 แบบ และวิดีโอที่เสร็จสมบูรณ์ประมาณ 5,300 นาที โดยมีไฮไลต์เป็นแอนิเมชันสั้น 2D ความยาว 116 วินาทีที่เขียนด้วย Python มากกว่า 10,000 บรรทัด ซึ่งพานกกระทุงที่กำหนดพารามิเตอร์ตัวเดียวเคลื่อนผ่านศิลปะ 20 สไตล์

ตัวเลขการเทรนที่อยู่เบื้องหลังส่วนงานเกี่ยวกับงานความรู้คือตัวเลขที่มากที่สุดในโพสต์: เวิร์กสเปซ 300,000 แห่งที่เก็บไฟล์อ้างอิง 10 ล้านไฟล์ ครอบคลุมไฟล์มากกว่า 40 ประเภท นั่นคือข้อความเกี่ยวกับสิ่งที่โมเดลถูกฝึกให้รับมือ และเป็นส่วนหนึ่งของข้อโต้แย้งที่ตาราง benchmark ไม่สามารถสื่อออกมาได้เลย

ยี่สิบแถวนี้ อ่านเพื่อดูว่ามันบอกอะไรเกี่ยวกับการวิ่งระยะไกล

ภาคผนวกเป็นภาพเพียงภาพเดียว ซึ่งหมายความว่าไม่สามารถคัดลอก เรียงลำดับ หรือตรวจสอบตัวเลขเทียบกับสเปรดชีตได้ เมื่ออ่านจากภาพนั้น คอลัมน์ ERNIE มีค่าดังนี้ โดยทั้งหมดเป็นข้อมูลที่ผู้จำหน่ายรายงานและยังไม่ได้ทำซ้ำ

• การเขียนโค้ดแบบเอเจนติก — Terminal-Bench 4.0 อยู่ที่ 46.5, DeepSWE v1.1 อยู่ที่ 71.2, ProgramBench (Almost Solved) อยู่ที่ 29.5, NL2Repo-Bench อยู่ที่ 64.8, Terminal-Bench-Science 0.1 อยู่ที่ 21.0

• การใช้คอมพิวเตอร์และระบบอัตโนมัติ — CookieBench ที่ 88.2, AutomationBench ที่ 61.9, APEX-Agents 1.1 ที่ 64.2, DRACO ที่ 84.9

• งานเชิงความรู้ — SpreadsheetBench V2 อยู่ที่ 36.4, OfficeQA Pro V2 อยู่ที่ 67.9, Agents' Last Exam (CLI) อยู่ที่ 29.0, SkillsBench 1.1 แบบข้อความล้วนอยู่ที่ 73.5

• เอเจนต์ทั่วไปและการใช้เครื่องมือ — Toolathlon-Verified อยู่ที่ 79.0, MCP-Atlas อยู่ที่ 84.6, BrowseComp อยู่ที่ 87.4

• การให้เหตุผล — HLE โดยไม่ใช้เครื่องมืออยู่ที่ 46.4, AA-Omniscience-Public อยู่ที่ 25.2, AA-LCR v1.1 อยู่ที่ 79.0

• 3D — BlenderWorld ข้อความเท่านั้นที่ 79.0

ตารางนี้มีประโยชน์กว่ามากเมื่ออ่านเป็นแผนที่ของสิ่งที่ยังล้มเหลว มากกว่าอ่านเป็นกระดานคะแนน มีสี่แถวที่อยู่ต่ำกว่า 40: ProgramBench ที่ 29.5, Agents' Last Exam บนคอมมานด์ไลน์ที่ 29.0, AA-Omniscience-Public ที่ 25.2 และ Terminal-Bench-Science ที่ 21.0 สิ่งเหล่านี้ไม่ใช่เบนช์มาร์กแบบง่าย ๆ Agents' Last Exam ถูกออกแบบให้อยู่ใกล้ขอบเขตสูงสุดของสิ่งที่เอเจนต์สามารถทำภารกิจได้เองโดยอัตโนมัติ omniscience ลงโทษคำตอบผิดที่มั่นใจเกินไป Terminal-Bench-Science ทดสอบงานระดับห้องปฏิบัติการ ซึ่งขั้นตอนที่ดูน่าเชื่อถือนั้นไร้ค่า โมเดลที่ต้องการงานที่ยากที่สุดของคุณและได้ 21.0 ในตัวแปรด้านวิทยาศาสตร์ของเบนช์มาร์กเชิงเอเจนต์ที่ยากที่สุดกำลังบอกคุณว่าเพดานปัจจุบันอยู่ตรงไหน SpreadsheetBench V2 ที่ 36.4 พูดในทำนองเดียวกันเกี่ยวกับงานสเปรดชีตโดยเฉพาะ ซึ่งดูขัดกันอย่างน่าอึดอัดเมื่อวางเทียบกับเวิร์กบุ๊ก Monte Carlo แบบ 1,000 พาธในโพสต์เปิดตัว

แถวที่อยู่เหนือ 80 ให้ข้อมูลพอ ๆ กันด้วยเหตุผลที่ต่างออกไป BrowseComp ที่ 87.4, MCP-Atlas ที่ 84.6, CookieBench ที่ 88.2 และ DRACO ที่ 84.9 ล้วนเป็นงานที่โมเดลถูกให้คะแนนจากสภาวะสุดท้ายที่เสร็จสมบูรณ์และตรวจสอบได้ มากกว่าจากคำตอบ รูปแบบนั้น — เก่งในการทำสิ่งต่าง ๆ ให้เสร็จซึ่งตรวจสอบได้ แต่อ่อนในการตัดสินทางวิทยาศาสตร์แบบเปิดกว้าง — คือสิ่งที่คุณคาดว่าจะเห็นได้จากโมเดลที่ฝึกบนเวิร์กสเปซ 300,000 แห่งที่เต็มไปด้วยไฟล์ซึ่งสร้างได้หรือสร้างไม่ได้

ความซื่อตรงถูกฝากไว้ในเชิงอรรถ แต่ละเบนช์มาร์กรันบนฮาร์เนสที่ระบุชื่อ โดยมี Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 และสิ่งที่ย่อว่า DSH ปรากฏอยู่ทั้งหมด ส่วนโมเดลผู้ตัดสินคือ Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 และ Gemini 3.1 Flash-Lite เชิงอรรถหนึ่งยอมรับว่า GLM-5.3 และโมเดลนี้ขาดความสามารถมัลติโหมดโดยกำเนิด และความเข้าใจภาพนั้นมาจากเครื่องมือที่ขับเคลื่อนโดย Claude Opus 5.5 ดังนั้นอย่างน้อยบางแถวที่พึ่งพาการมองเห็นจึงวัดฮาร์เนสที่ ERNIE 5.5 Flash Preview เรียกโมเดลของคู่แข่งมาช่วยดูสิ่งต่าง ๆ นั่นเป็นทางเลือกทางวิศวกรรมที่ชอบธรรม และเป็นเรื่องแปลกที่พบในกระดานคะแนน

แถวสองแถวที่ขึ้นต้นด้วย AA จำเป็นต้องมีข้อควรระวังเฉพาะของตัวเอง AA-Omniscience-Public และ AA-LCR v1.1 เป็นเบนช์มาร์กที่เผยแพร่โดย Artificial Analysis ซึ่งเป็นผู้ติดตามข้อมูลอิสระ แต่สิ่งเหล่านี้เป็นการรันโดย Baidu ณ วันที่ 11 พฤศจิกายน ไม่มีแถว ERNIE 5.5 บนกระดานผู้นำของ Artificial Analysis ดังนั้นจึงไม่มีตัวเลขอิสระใดมาเทียบกับทั้งสองเซลล์ได้

การวิ่งสิบเอ็ดชั่วโมงจะต้องแลกมาด้วยอะไร และสิ่งที่ Baidu ไม่ได้บอก

เอกสารประกอบ endpoint คือส่วนของรีลีสนี้ที่เปลี่ยนเดโมให้กลายเป็นการตัดสินใจเชิงวิศวกรรม Qianfan ระบุราคา ERNIE 5.5 Flash Preview ไว้ที่ $0.28 ต่อล้านโทเค็นอินพุต และ $1.13 ต่อล้านโทเค็นเอาต์พุต โดยการอ่านจากแคชอยู่ที่ $0.028 หน้าต่างบริบท 1,024,000 โทเค็น เพดานเอาต์พุต 921,600 โทเค็น และการให้เหตุผลที่เปิดอยู่ตลอดเวลาในระดับความพยายามสูงเพียงระดับเดียวโดยไม่มีวิธีปิด

เพดานเอาต์พุตนั้นคือเหตุผลเชิงกลไกที่ทำให้การรันครั้งเดียวยาว ๆ เป็นสิ่งที่พอจะจินตนาการได้เลย: โมเดลสามารถปล่อยโทเค็นออกมาได้เกือบมากเท่ากับจำนวนที่หน้าต่างบริบททั้งหมดของมันจุได้ มันยังเป็นเหตุผลที่ทำให้ค่าใช้จ่ายไม่ชัดเจนอีกด้วย การพรอมป์ถูกคิดราคาเพียงหนึ่งในสี่ของอัตราเอาต์พุต แต่ทุกอย่างที่โมเดลคิดนั้นถูกคิดเงินในอัตราเอาต์พุต และโมเดลที่หยุดคิดไม่ได้ก็คือโมเดลที่ต้นทุนต่องานถูกครอบงำด้วยโทเค็นที่ไม่มีใครอ่าน

ลองคำนวณจากการเรียกครั้งเดียวแบบสูงสุด ซึ่งเป็นกรณีที่ดีที่สุดเท่าที่เป็นไปได้ การเติมหน้าต่าง 1,024,000 โทเค็นมีค่าใช้จ่ายประมาณ $0.29 ตามอัตราอินพุต การส่งออกจนถึงเพดานเอาต์พุต 921,600 โทเค็นเต็มมีค่าใช้จ่ายประมาณ $1.04 นั่นคือประมาณ $1.33 สำหรับการเรียกหนึ่งครั้งที่ใช้จนถึงขีดจำกัดทั้งสอง การบิลด์ Unreal ที่ใช้เวลาสิบเอ็ดชั่วโมงนั้นเป็นไปได้อย่างมากว่าจะไม่ได้ทำเช่นนั้น และโพสต์เปิดตัวก็ไม่ได้ระบุว่าใช้โทเค็นไปเท่าใด ต้องเรียกแยกกันกี่ครั้ง หรือมีค่าใช้จ่ายเท่าใด จนกว่าจะมีคนวัดจำนวนโทเค็นเอาต์พุตต่องานที่เสร็จสมบูรณ์บนเวิร์กโหลดของตนเอง ข้อกล่าวอ้างใด ๆ ที่ว่าโมเดลนี้ถูกหรือแพงกับงานยากก็เป็นการเปรียบเทียบตารางอัตราค่าบริการมากกว่าการเปรียบเทียบผลลัพธ์

อีกสองสิ่งที่รีลีสนี้ยังคงติดค้างคุณอยู่

โพสต์ปิดท้ายด้วยการเรียก ERNIE 5.5 Flash Preview ว่า “เช็กพอยต์ระดับกลางจากขั้นหลังการฝึก” พร้อมยอมรับว่าการฝึกยังไม่เสร็จสิ้น และความสามารถบางอย่างอาจยังไม่ถึงเกณฑ์ นอกจากนี้ยังสัญญาว่าน้ำหนักจะถูกเปิดซอร์สภายใต้ Apache 2.0 ในเร็ว ๆ นี้ โดยไม่ระบุวันที่ และ ณ วันที่ 11 พฤศจิกายน ยังไม่มีรีโพซิทอรีพรีวิวบน Hugging Face — อาร์ติแฟกต์ ERNIE 5.5 เพียงอย่างเดียวที่เผยแพร่ไว้ที่นั่นคือเช็กพอยต์ฐานและตัวแปร BF16 ของมัน ไม่มีการ์ดโมเดล ไม่มีวันตัดขอบเขตความรู้ และไม่มีตัวเลขเวลาแฝงอยู่ที่ใดเลยในการเปิดตัวครั้งนี้

ดังนั้น สรุปอย่างตรงไปตรงมาของ “give it your hardest task” จึงแคบกว่าคำขวัญ ERNIE 5.5 Flash Preview เป็นโมเดลข้อความล้วนที่มีบริบทขนาดใหญ่มาก มีโควตาผลลัพธ์ที่ใหญ่ผิดปกติ มีผลงานแข็งแกร่งในงานที่จบลงด้วยชิ้นงานที่สร้างขึ้น มีผลงานอ่อนในงานที่จบลงด้วยการตัดสินเชิงวิทยาศาสตร์ และไม่มีการตรวจสอบโดยอิสระเลย นั่นเป็นโปรไฟล์ที่เป็นจริงและเฉพาะเจาะจง และเป็นโปรไฟล์ที่เช็กพอยต์ที่สองน่าจะเขียนทับไปในไม่ช้า

จะทดสอบโปรไฟล์นั้นโดยไม่ต้องเดิมพันเส้นทางใด ๆ กับมันได้อย่างไร

Baidu ให้บริการโมเดลนี้ผ่าน Qianfan API ของตนเองและผ่านแพลตฟอร์มบุคคลที่สามที่นำไปขายต่อ OrcaRouter ไม่ได้จัดเส้นทางสำหรับ ERNIE 5.5 Flash Preview — ไม่มีรายการ ERNIE ในแคตตาล็อกจำนวน 228 โมเดลจากผู้ให้บริการ 17 ราย และไม่มี endpoint ของ Baidu รองรับอยู่เบื้องหลัง — ดังนั้นไม่ควรตีความสิ่งใดที่นี่ว่าเป็นข้อเสนอในการให้บริการโมเดลนี้

สิ่งที่แคตตาล็อกมีประโยชน์ในสถานการณ์นี้คืออีกครึ่งหนึ่งของการทดลอง โมเดลที่ตัวนี้ถูกนำไปวัดเทียบด้วยนั้นคือ โมเดลที่เข้าถึงได้ผ่านคีย์เดียวในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกกำไร ซึ่งหมายความว่าคุณสามารถรันงานยากชุดเดียวกันผ่านโมเดลเหล่านั้นและเปรียบเทียบอัตราการทำสำเร็จแทนคะแนนที่เผยแพร่ได้ การสลับไปใช้ระบบสำรองอัตโนมัติทำหน้าที่ที่สอง: พรีวิวที่ไม่มีประวัติความพร้อมใช้งานไม่จำเป็นต้องเป็นสิ่งเดียวที่ค้ำเส้นทางการร้องขอไว้ เพราะ ตัวสำรองที่ถูกจัดเส้นทางแล้วสามารถรับช่วงคำขอได้เมื่อระบบค้างที่ชั่วโมงที่สาม.

การประเมินที่คุ้มค่าจะลงมือทำสัปดาห์นี้มีขนาดเล็ก หยิบงานเอเจนต์ระยะยาวของคุณเองมาสิบงาน — งานที่ปกติคุณไม่กล้ามอบให้รันแบบไม่มีคนดูแลเพียงครั้งเดียว — แล้วส่งแต่ละงานผ่าน ERNIE 5.5 Flash Preview และผ่านโมเดลอีกสองตัวที่คุณไว้ใจอยู่แล้ว บันทึกว่ามันทำเสร็จหรือไม่ เผา output token ไปกี่โทเคน และมีค่าใช้จ่ายเท่าไร จะได้ตัวเลขสองตัวที่ Baidu ไม่ได้ใส่ไว้: โทเคนต่องาน และค่าใช้จ่ายต่องานที่ทำเสร็จ ทุกอย่างอื่นในโพสต์เปิดตัว รวมถึง 46.5 และรวมถึงสิบเอ็ดชั่วโมง เป็นฮาร์เนสของคนอื่นบนเครื่องของคนอื่น

สิ่งที่ช่วยยุติคำถามนี้ได้ไม่ใช่วิดีโอสาธิตอีกชุด แต่เป็นวันที่กำหนดไว้สำหรับการเปิดตัวภายใต้ Apache 2.0 การ์ดโมเดลที่ระบุ knowledge cutoff แถวข้อมูลใน Artificial Analysis ที่จัดทำโดย Artificial Analysis และเช็กพอยต์ที่สองซึ่งมีตัวเลขที่นำมาเทียบกับชุดนี้ได้ Baidu ได้เผยแพร่เรื่องราวที่ควรเผยแพร่ควบคู่ไปกับ endpoint แล้ว สิ่งต่อไปที่ Baidu ต้องมอบให้ผู้คนที่เพิ่งได้รับเชิญให้มอบงานที่ยากที่สุดของพวกเขา คือชิ้นงานหลักฐานที่ทำให้พวกเขาเลิกเชื่อคำพูดของ Baidu เกี่ยวกับผลลัพธ์ของงานที่ยากที่สุดเหล่านั้น