Ling-3.2-flash กับ ERNIE 5.5 Flash: ตัวหนึ่งคือผลิตภัณฑ์ ส่วนอีกตัวคือจุดเริ่มต้น

เมื่อวันที่ 5 พฤศจิกายน 2026 ห้องแล็บจีนสองแห่งได้ปล่อยโมเดลระดับใกล้เรือธงออกมาภายในไม่กี่ชั่วโมงของกันและกัน และเกือบทุกการเปรียบเทียบที่คุณเขียนเกี่ยวกับ Ling-3.2-flash กับ ERNIE 5.5 Flash จะสลายไปทันทีที่คุณสังเกตว่าพวกมันไม่ใช่สิ่งประเภทเดียวกัน Ling-3.2-flash เป็นโมเดลแชตแบบมัลติ模态ที่ผ่านการปรับแต่งตามคำสั่งจนสมบูรณ์แล้ว: รับข้อความ รูปภาพ และวิดีโอเข้า แล้วส่งคำตอบออก ใช้งานได้แล้วบน endpoint ที่เข้ากันได้กับ OpenAI ของ Ant Ling และฟรีเป็นเวลาสองสัปดาห์ สิ่งที่ Baidu เผยแพร่คือ ERNIE-5.5-Flash-Base — checkpoint ที่อยู่ ณ จุดสิ้นสุดของการฝึกล่วงหน้า ก่อนการฝึกช่วงกลาง ก่อนการปรับแต่งตามคำสั่ง รองรับเฉพาะข้อความ และให้บริการผ่าน completions endpoint เพราะยังไม่ได้ถูกสอนให้ทำตามคำสั่ง หน้าประกาศเปิดตัวของ Baidu เองระบุว่า ERNIE 5.5 Flash ที่ผ่านการฝึกหลังการฝึกแล้ว “จะตามมา”

ความไม่สมมาตรเพียงประการเดียวนั้นเป็นตัวกำหนดคำถามเชิงปฏิบัติส่วนใหญ่ด้านล่างนี้ โมเดลหนึ่งคุณเรียกใช้งานได้ภายในบ่ายวันนี้ ส่วนอีกโมเดลหนึ่งคุณสามารถดาวน์โหลด ฟайнทูน และเปลี่ยนให้กลายเป็นอะไรบางอย่างได้ — ซึ่งเป็นการซื้อที่แตกต่างออกไปโดยสิ้นเชิง พร้อมมีสัญญาทางกฎหมายแนบมาด้วย

วัตถุสองชิ้นวางเคียงข้างกัน

ต่อไปนี้คือสิ่งที่ผู้จำหน่ายแต่ละรายระบุไว้ในเอกสารของตนในปัจจุบัน หากตัวเลขใดเป็นข้อมูลของผู้จำหน่ายเองและยังไม่ได้รับการทำซ้ำ ข้อความจะระบุไว้เช่นนั้น

• จำนวนพารามิเตอร์ทั้งหมดและพารามิเตอร์ที่ใช้งาน — Ling-3.2-flash 560B ทั้งหมด / 25B ที่ใช้งาน; ERNIE-5.5-Flash-Base 280B ทั้งหมด / 14B ที่ใช้งานต่อโทเคน พร้อมด้วยพารามิเตอร์ ECHO 0.36B ที่ทั้งสองจำนวนไม่นับรวม

• อินพุต — Ling-3.2-flash รองรับข้อความ รูปภาพ และวิดีโอได้โดยตรง โดยมีบล็อก image_url และ video_url อยู่ในคำขอ; ส่วน ERNIE-5.5-Flash-Base รองรับเฉพาะข้อความเท่านั้น จบ

• สิ่งที่คุณได้รับ — Ling-3.2-flash เป็นโมเดลแชทที่ผ่านการ post-train แล้วและให้บริการผ่าน API; ERNIE-5.5-Flash-Base เป็นเวทพรีเทรนดิบที่คุณต้องนำไป post-train เอง

• สถาปัตยกรรม — Ling-3.2-flash เป็น MoE ในสาย Ling hybrid-linear ที่ Ant ใช้งานมาตั้งแต่ 3.1; ERNIE-5.5-Flash-Base มี 43 เลเยอร์ (FFN แบบ dense หนึ่งชั้น, Multi-Router Latent MoE 42 ชั้น), ผู้เชี่ยวชาญแบบ routed 512 ตัว พร้อมการ routing แบบ top-10 บวกผู้เชี่ยวชาญที่แชร์ร่วมกันหนึ่งตัว, เลเยอร์ Heavily Compressed Attention 37 ชั้น และเลเยอร์ MLA 6 ชั้นที่ใช้ sparse attention

• บริบท — Ling-3.2-flash ให้บริการหน้าต่าง 1M โทเคนบน API; ERNIE-5.5-Flash-Base ถูกฝึกที่ 128K และคอนฟิกที่เผยแพร่ของมันเปิดใช้งาน 1,048,576 โทเคนสำหรับการ fine-tuning และการ inference ซึ่งไม่ใช่ข้อกล่าวอ้างเดียวกัน

{{1}}น้ำหนักโมเดล{{/1}} — Ling-3.2-flash ไม่มีการเผยแพร่เลย ส่วน ERNIE-5.5-Flash-Base มีไฟล์ safetensors แบบ FP8 และ BF16 ให้ใช้งานบน Hugging Face และ ModelScope

• ราคา — Ling-3.2-flash ฟรีเป็นเวลาสองสัปดาห์หลังเปิดตัว โดยไม่มีอัตราที่ประกาศไว้สำหรับวันที่สิบห้า; ERNIE-5.5-Flash-Base ไม่มีราคาแบบโฮสต์เพราะ Baidu ไม่ได้ให้บริการ และการโฮสต์ด้วยตนเองมีค่าใช้จ่ายเท่ากับต้นทุนของน้ำหนัก 280B ที่คุณต้องแบกรับ

ไม่มีแถวใดในนั้นเป็นการกล่าวอ้างเรื่องคุณภาพ แถวเหล่านั้นเป็นเพียงคำอธิบายถึงสิ่งที่คุณกำลังจะซื้อ

จากหลักฐานแล้ว Ling-3.2-flash ดีจริงในเรื่องอะไร

สื่อเปิดตัวของ Ant คือตัวเลข benchmark สามตัวและวิดีโอสาธิตห้าคลิป ตัวเลขเหล่านั้นเปรียบเทียบ Ling-3.2-flash กับ Opus 5 ที่ความพยายามสูงสุดบน OmniDocBench1.5 (92.21 ต่อ 90.56), ZEROBench(Sub) (43.71 ต่อ 39.52) และ Vision2Web (85.86 ต่อ 80.20) ทั้งสามตัวล้วนเป็นตัวเลขที่ผู้ขายรายงานเอง ทั้งสามตัวล้วนเกี่ยวกับงานภาพ และไม่มีตัวใดถูกทำซ้ำโดยบุคคลที่สาม เมื่ออ่านรวมกันเป็นชุด ตัวเลขเหล่านี้อ้างเพียงสิ่งเดียว: ในงานแยกวิเคราะห์เอกสาร การใช้เหตุผลกับฉาก 3D และงาน vision-to-web Ant เชื่อว่าตนเอาชนะโมเดลปิดระดับแนวหน้าได้ แต่ไม่มีการอ้างใดๆ เลยเกี่ยวกับการใช้เหตุผลกับข้อความ การเขียนโค้ด �รืองานใน terminal แบบ agentic ซึ่งเป็นจุดที่ทราฟฟิกการใช้งานจริงส่วนใหญ่ยังไปอยู่

เดโมให้ข้อมูลมากกว่าตัวเลข เพราะมันแสดงให้เห็นลูปที่ Ant สร้างโมเดลขึ้นมาเพื่อรองรับ {{1}}Ling-3.2-flash{{/1}} ตรวจสอบเรนเดอร์แบบ headless ของทรงกลมวัสดุ เปรียบเทียบ roughness และ normal maps แล้วเขียนสคริปต์ของตัวเองใหม่; มันควบคุม {{2}}Blender{{/2}} ผ่านการกระทำใน UI; มันแปลงแบบวิศวกรรมเป็นโมเดลเว็บ 3D; มันอ่าน PDF งานวิจัยที่มีสมการและนำอัลกอริทึมไปใช้งานในโค้ด งานแต่ละอย่างเหล่านี้ทำให้โมเดลต้องดูสิ่งที่เกิดขึ้นระหว่างทางและแก้ไขตนเอง นั่นคือสิ่งที่การฝึกแบบมัลติโมดัลโดยกำเนิดให้คุณเหนือกว่าโมเดลข้อความที่มีอะแดปเตอร์สำหรับวิชัน และเป็นความสามารถที่ควรทดสอบก่อนหากนี่คือกรณีใช้งานของคุณ

ข้อควรระวังในการใช้งานสองข้อนี้ควรกล่าวถึงพร้อมกัน Ant ระบุถึงขีดจำกัดทั่วโลกที่สองคำขอต่อวินาที โดยจะตอบกลับ 429 เมื่อเกินขีดจำกัด และมีการหมดเวลา 90 วินาทีสำหรับการเรียกแบบซิงโครนัส พร้อมแนะนำให้ใช้สตรีมมิง และโมเดลนี้ฟรีเพียงถึงประมาณวันที่ 19 พฤศจิกายนเท่านั้น; หน้าราคาระบุว่าอัตราเดิมจะกลับมาใช้ในภายหลัง โดยไม่ได้บอกว่าอัตราเหล่านั้นคือเท่าใด

ERNIE-5.5-Flash-Base เหมาะกับการใช้งานอะไรจริง ๆ

ข้อเสนอของ Baidu คือการแทนที่ต้นทุน และเป็นข้อเสนอที่สอดคล้องกัน บริษัทใช้พลังประมวลผลสำหรับการพรีเทรนกับ 33.5 ล้านล้านโทเค็นด้วยออปติไมเซอร์ Muon; คุณใช้พลังประมวลผลของคุณกับการปรับให้เข้ากับโดเมน การปรับแต่งตามคำสั่ง หรือการเรียนรู้แบบเสริมกำลัง โดยเริ่มจากเช็กพอยต์ที่มีโค้ดระดับรีพอซิทอรีและพฤติกรรมบริบทยาวฝังอยู่แล้ว การเผยแพร่นี้สะอาดผิดปกติในฐานะฐานวิจัย: มีเช็กพอยต์เดียว ณ จุดสิ้นสุดของการพรีเทรน ไม่มีการฝึกกลางทาง ไม่มีการฝึกหลังการฝึก ดังนั้นจึงเปรียบเทียบวิธีการไฟน์ทูนสองวิธีได้โดยไม่ต้องเถียงกันว่าฐานรู้สิ่งใดอยู่แล้ว

การประเมินของ Baidu เปรียบเทียบมันกับโมเดลฐานแบบเปิดที่มีขนาดใกล้เคียงกันสามตัว ได้แก่ DeepSeek-V4-Flash-Base (284B-A13B), Hy3-preview-Base (295B-A21B) และ MiMo-V2.5-Base (310B-A15B) ภายใต้ฮาร์เนสชุดเดียว ชุดพรอมต์ชุดเดียว และตัวตัดสินรายเดียว ครอบคลุม 30 เบนช์มาร์กในเจ็ดหมวดหมู่ นั่นเป็นการเปรียบเทียบที่ควบคุมได้ดีกว่าตารางเปิดตัวส่วนใหญ่ และยังคงเป็นการทดสอบที่ผู้ขายเป็นผู้ดำเนินการ ข้ออ้างด้านสถาปัตยกรรมที่เด่นและควรรู้คือ: 37 จาก 43 เลเยอร์ใช้ attention บนลำดับที่ถูกบีบอัด 128× และ Baidu กล่าวว่าเลเยอร์ MLA หกเลเยอร์นั้นเพียงพอที่จะรักษาประสิทธิภาพบริบทแบบยาวไว้ได้ หากสิ่งนี้ยังคงเป็นจริงภายใต้การทดสอบอิสระ มันคือสิ่งที่น่าสนใจที่สุดในการเปิดตัวครั้งนี้ — การบีบอัด 128× ที่ไม่ได้ทำให้ความสามารถในการดึงข้อมูลบริบทแบบยาวลดลง

จุดที่ต้องระวังคือสัญญาอนุญาต และไม่ใช่เรื่องเล็กเลย ข้อตกลงอนุญาตการใช้ ERNIE 5.5 Flash Base Model License Agreement v1.0 กำหนด "ดินแดน" ไว้ว่าเป็น "พื้นที่ทางภูมิศาสตร์ทั้งหมดทั่วโลก ยกเว้นสหภาพยุโรป สหราชอาณาจักร และเกาหลีใต้" และกำหนดว่าห้ามใช้วัสดุเหล่านั้น เผยแพร่ หรือแสดงนอกดินแดนดังกล่าว การใช้เชิงพาณิชย์ทำได้ฟรีเมื่อรายได้ต่อปีจากผลิตภัณฑ์ที่เกี่ยวข้องต่ำกว่า 50 ล้านดอลลาร์สหรัฐ โดยมีเงื่อนไขว่าคุณต้องส่งหนังสือแจ้งครั้งเดียว และแสดงข้อความ "Powered by ERNIE" อย่างเด่นชัดบนอินเทอร์เฟซผู้ใช้ เว็บไซต์ หน้าเกี่ยวกับ หรือเอกสารประกอบผลิตภัณฑ์ หากเกิน 50 ล้านดอลลาร์สหรัฐ คุณต้องได้รับอนุญาตเป็นลายลักษณ์อักษรล่วงหน้าแยกต่างหากจาก Baidu ก่อนที่จะเกินเกณฑ์ดังกล่าว และหากคุณเกินเกณฑ์นั้นโดยไม่มีการอนุญาตดังกล่าว จะต้องระงับการใช้

ดังนั้น การอธิบายเช็กพอยต์ 280B แบบ “ฟรี” อย่างตรงไปตรงมาคือ ดาวน์โหลดฟรีได้ทุกที่ยกเว้นสามเขตอำนาจศาล ใช้เชิงพาณิชย์ได้ฟรีจนถึงเกณฑ์รายได้หนึ่ง และมีภาระผูกพันด้านการแสดงแบรนด์ที่ทีมผลิตภัณฑ์ส่วนใหญ่จะสังเกตเห็นบนเว็บไซต์การตลาดก่อนจะสังเกตเห็นในสัญญาอนุญาต

จะเลือกอันไหน ขึ้นอยู่กับสิ่งที่คุณกำลังทำ

เลือก Ling-3.2-flash หากงานเป็นงานด้านภาพและคุณต้องได้คำตอบภายในเดือนนี้ การดึงข้อมูลจากเอกสารที่เลย์เอาต์มีความสำคัญ เอเจนต์ UI ที่ขับเคลื่อนด้วยภาพหน้าจอ การแปลงภาพวาดเป็น 3D การคัดกรองภาพทางการแพทย์ หรืออะไรก็ตามที่โมเดลต้องตรวจสอบเอาต์พุตที่เรนเดอร์ออกมาเอง API มีรูปแบบเหมือน OpenAI ดังนั้นการผสานรวมจึงเป็นการเปลี่ยน base URL และช่วงทดลองใช้ฟรีสองสัปดาห์หมายความว่าการประเมินไม่มีค่าใช้จ่ายใดๆ นอกจากเวลาของคุณ อย่านำไปใช้บนเส้นทางโปรดักชันในตอนนี้: ยังไม่มีราคาที่เผยแพร่ ไม่มีคะแนนอิสระ ไม่มีน้ำหนักโมเดล และไม่มีผู้ให้บริการสำรอง

เลือก ERNIE-5.5-Flash-Base หากคุณมีความสามารถด้าน post-training และมีโดเมนเฉพาะทาง base ขนาด 280B-A14B ที่มีสถาปัตยกรรมซึ่งมีเอกสารประกอบ สูตรการใช้งาน SGLang และ vLLM ที่ใช้งานได้จริง บิลด์ FP8 และ BF16 และตัวอย่างการ fine-tuning ด้วย Megatron-Bridge ถือเป็นสินทรัพย์ที่มีค่าจริงสำหรับทีมที่ต้องการโมเดลของตัวเอง ตรวจสอบข้อกำหนดเรื่อง Territory กับนิติบุคคลของคุณก่อนเริ่ม ไม่ใช่หลังเริ่ม และอย่า benchmark มันในฐานะโมเดลแชต — มันต่อข้อความ ไม่ได้ตอบคำขอ ดังนั้นการเปรียบเทียบ instruction-following กับ Ling-3.2-flash ใด ๆ จึงเป็นการวัดผิดสิ่ง

ถ้าสิ่งที่คุณต้องการจริง ๆ คือ ERNIE ที่พร้อมใช้งานแล้วให้เรียกใช้ ก็รอก่อน Baidu ระบุว่า ERNIE 5.5 Flash ที่ผ่านการ post-train แล้วกำลังจะมา และจนกว่ามันจะเปิดตัว ก็ยังไม่มี ERNIE 5.5 แบบโฮสต์ในตารางราคาของ Qianfan — รายการระดับนานาชาติที่เราอ่านวันนี้มี ERNIE 5.1, ERNIE 5.0 และ ERNIE 4.5 Turbo โดยไม่มีแถวของ 5.5

ทั้งสองรายการไม่อยู่ในแคตตาล็อกของเรา — นี่คือสิ่งที่มี

พูดกันตรงๆ เรื่อง routing: เราได้อ่านแคตตาล็อก OrcaRouter อีกครั้งเมื่อวันที่ 6 พฤศจิกายน และพบว่าส่งคืนตัวระบุโมเดล 215 รายการ ไม่มีรายการ Ling, inclusionAI, Ring หรือ ERNIE อยู่ในนั้น รายการเดียวที่ตรงกับ "ling" คือโมเดลวิดีโอ Kling ดังนั้นการเปรียบเทียบนี้จึงไม่ใช่การเลือกระหว่างสองสิ่งที่มีคีย์เดียวเข้าถึงได้อยู่แล้ว

สิ่งที่คีย์เดียวเข้าถึงได้ ในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกราคาเพิ่ม คือโมเดลที่ครอบคลุมงานสองอย่างเดียวกัน สำหรับงานด้านวิชันที่มีอัตราที่เผยแพร่ Qwen3.8-Flash อยู่ที่ $0.15 ต่ออินพุตหนึ่งล้านโทเคน และ $0.47 ต่อเอาต์พุตหนึ่งล้านโทเคน สำหรับเอเจนต์ข้อความราคาถูกในระดับสเกล DeepSeek V4.1 Flash อยู่ที่ $0.15 และ $0.60 และ GLM-5.3-Flash อยู่ที่ $0.15 และ $0.50 ทั้งสามรับคำขอในรูปแบบ OpenAI ดังนั้นการผสานรวม Ling-3.2-flash ที่พอร์ตไปยังโมเดลเหล่านี้จึงเป็นการเปลี่ยนสตริงชื่อโมเดลมากกว่าการเขียนใหม่ — ซึ่งสำคัญเมื่อช่วงฟรีสิ้นสุดลงและคุณยังไม่มีตารางอัตราค่าใช้จ่าย

นี่ก็เป็นเหตุผลของการวางเราเตอร์ไว้หน้า ERNIE fine-tune ที่โฮสต์เอง แทนที่จะชี้แอปของคุณตรงไปยังคลัสเตอร์ของคุณเอง: ปลายทางเดียว คีย์เดียว และ การสลับระบบสำรองอัตโนมัติไปยังโมเดลที่โฮสต์ไว้เมื่อ GPU ของคุณเต็มกำลังหรือการดีพลอยของคุณกำลังดำเนินอยู่ DSL การกำหนดเส้นทางประกอบโมเดลหลายตัวเข้าเป็นการเรียกครั้งเดียว ซึ่งเป็นวิธีที่คุณจะรันโมเดลภาพและโมเดลข้อความเป็นขั้นตอนเดียวแทนที่จะเป็นสองขั้นตอน

สิ่งที่ต้องจับตา

รีลีสทั้งสองเสร็จเพียงครึ่งเดียวในทิศทางที่ตรงข้ามกัน และช่องว่างทั้งสองจะถูกปิดตามกำหนดเวลาของคนอื่น Ant ยังติดค้างรายการราคา, model card และ — หากรูปแบบของปี 2026 ยังคงเป็นเช่นนี้ — checkpoint ที่ได้รับสัญญาอนุญาต MIT Baidu ยังติดค้าง ERNIE 5.5 Flash ที่ผ่านการ post-train แล้ว และยังติดค้างถ้อยแถลงที่ชัดเจนขึ้นว่าข้อกำหนด Territory ใช้กับผลลัพธ์ของโมเดล หรือใช้เพียงกับ weights และอนุพันธ์ของมัน ซึ่งตามตัวบทที่เขียนไว้บ่งชี้ว่ากว้างกว่าที่ทีมส่วนใหญ่จะคาดคิด

จนกว่าหนึ่งในนั้นจะพร้อมใช้งาน การเปรียบเทียบก็มีรูปแบบง่ายๆ คือ Ling-3.2-flash เป็นตัวที่คุณประเมินผลได้วันนี้แต่ยังตั้งงบประมาณรองรับไม่ได้ ส่วน ERNIE-5.5-Flash-Base เป็นตัวที่คุณตั้งงบประมาณรองรับได้แต่ยังเรียกใช้งานไม่ได้