ERNIE 5.5 Flash Preview và tuyên bố “Mô hình mở #2” mà chính dòng bảng xếp hạng của nó mâu thuẫn

Baidu đã quote-tweet một tuyên bố trên bảng xếp hạng vào ngày 12 tháng 11 năm 2026, nguyên văn là: "Ernie 5.5 Flash Preview của @Baidu_Inc đang trên đà trở thành mô hình mở thứ #2 trên Code Arena: WebDev, với 1668 điểm." Baidu bổ sung số lượng tham số — tổng 280 tỷ, 14 tỷ hoạt động mỗi token — và cảm ơn cộng đồng vì đã "đưa nó vào thử nghiệm." Sau đó để phần còn lại nguyên như vậy. Vấn đề là hàng tạo ra 1668 đó không được gắn nhãn mở. Trên cùng bảng Code Arena WebDev, trong cùng ảnh chụp nhanh ngày 10 tháng 11, ERNIE 5.5 Flash Preview mang thẻ Proprietary, điểm 1668 ±16, nhãn AutoEval, và số phiếu được ghi là N/A. Các mô hình được nêu là những mô hình mà nó vượt qua — DeepSeek-V4.1-Flash ở 1664 và Kimi K3 ở 1658 — là các hàng được xếp hạng với lần lượt 13.952 và 22.405 lượt bỏ phiếu của con người, và hàng DeepSeek mang thẻ giấy phép MIT. Vậy là câu đó đang làm ba việc cùng lúc: báo cáo một điểm số thật, hứa hẹn một giấy phép chưa tồn tại, và mô tả một thứ hạng mà bảng xếp hạng chưa gán.

Không điều nào trong số đó làm cho con số trở nên sai. Nó làm cho con số trở thành một loại đối tượng khác với thứ mà câu đó đang trình bày, và sự khác biệt đó hoàn toàn có thể đọc được trong chính các cột của bảng xếp hạng.

Những gì Arena đã đăng, và một dòng mà Baidu đã bỏ sót

Bài đăng trên Arena được phát đi lúc 01:08:21 UTC ngày 12 tháng 11 năm 2026, một phút trước trích dẫn của Baidu. Toàn văn của nó đáng để có trước mắt bạn, vì tuyên bố và phần hạn định của nó nằm trong cùng một đoạn:

• "Ernie 5.5 Flash Preview của @Baidu_Inc đang trên đà trở thành mô hình mở đứng thứ #2 trên Code Arena: WebDev, với 1668 điểm."

• "Các trọng số sẽ sớm được mở mã nguồn theo giấy phép Apache 2.0."

• "Điểm số của nó đưa nó lên ngay trên: DeepSeek-V4.1-Flash (Max) ở mức 1664, Kimi K3 (Max) ở mức 1658."

Arena đã rào đón thứ hạng hai lần — "đang có xu hướng trở thành" — và gắn trạng thái trọng số mở với một sự kiện trong tương lai bằng từ "sắp tới." Tweet trích dẫn của Baidu đã tái tạo điểm số và số lượng tham số, bỏ hoàn toàn câu về Apache 2.0, và giữ cách diễn đạt "mới nhất từ @arena". Một độc giả chỉ nhìn thấy bài đăng của Baidu sẽ không biết rằng nửa phần mô hình mở của tuyên bố là một phát biểu hướng tới tương lai, bởi vì nơi duy nhất nó được nêu là nửa phần đã bị cắt.

Đó không phải là trích dẫn sai. Đó là một sự chọn lọc, và nó đặt gánh nặng chứng minh lên người đọc muốn kiểm tra nó — điều mà phần còn lại của bài viết này làm.

Hàng đó, đọc theo từng cột

Code Arena WebDev chấm điểm công việc phát triển web front-end: các tác vụ lập trình dạng tác nhân với nhiều bước suy luận và sử dụng công cụ, không phải chất lượng trò chuyện và không phải lập trình tổng quát. Ảnh chụp nhanh ngày 10 tháng 11 của nó chứa 995.980 phiếu bầu trên 158 mô hình. Đây là dòng của ERNIE 5.5 Flash Preview như bảng in ra, không thêm diễn giải:

• Điểm — 1668, được công bố là 1668 +16/-16, vì vậy khoảng tin cậy khoảng 90 phần trăm là khoảng 1652 đến 1684.

• Hạng — N/A. Dòng này được hiển thị giữa hạng 16 và hạng 17 mà không có số hạng.

• Lượt bình chọn — N/A. Hoàn toàn không có số phiếu bầu của con người trên hàng đó.

• Nhãn — AutoEval, một thẻ được liên kết trỏ đến phần giải thích của chính Arena.

• Nhãn giấy phép — Độc quyền.

• Giá — $0.28 cho đầu vào, $1.13 cho đầu ra trên mỗi triệu token, khớp với giá niêm yết của Qianfan.

• Ngữ cảnh — N/A, trên một mô hình mà trang của nhà cung cấp nêu cửa sổ 1M token.

Trong bảy cột đó, ba cột là N/A, và một trong số đó là cột giấy phép — chính là cột mà tuyên bố phụ thuộc vào. Hãy so sánh mức mà nó tuyên bố nằm trên, và bức tranh sẽ rõ nét hơn chứ không mờ đi:

• 1691 — Claude Opus 5 (Max), Anthropic, Độc quyền.

• 1688 — Kimi K3.1 Pro (Max), M​oonshot, được gắn nhãn "Kimi K3.1 Pro License," một giấy phép tùy chỉnh mà Arena đánh dấu là không mở cũng không độc quyền.

• 1682 — Gemini 4 Argon (High), G​oogle, Độc quyền.

• 1679 — GPT-6.1 Terra (Max), OpenAI, Độc quyền.

• 1676 — Qwen3.8-Max (0902), A​libaba, Độc quyền, Sơ bộ.

• 1673 — GPT-6 Sol (Max), OpenAI, Độc quyền.

• 1670 — Qwen3.8-Max, Alibaba, Độc quyền, Sơ bộ.

• 1668 — ERNIE 5.5 Flash Preview, Baidu, Độc quyền, AutoEval.

• 1664 — DeepSeek-V4.1-Flash-20261017 (Max), D​eepSeek, MIT, 13.952 phiếu.

• 1658 — Kimi K3 (Max), Moonshot, 22.405 phiếu bầu.

Hãy đọc danh sách đó đối chiếu với tuyên bố. Mọi thứ phía trên ERNIE trong đó đều là Proprietary, trừ một dòng giấy phép tùy chỉnh. Mô hình đầu tiên thực sự có giấy phép mở mà bạn gặp là dòng D​eepSeek bên dưới nó. Vì vậy, “#2 open model” không phải là mô tả về vị trí của ERNIE trong bảng này. Đó là mô tả về vị trí mà ERNIE sẽ nằm nếu trọng số được công bố theo Apache 2.0 và nếu điểm AutoEval được coi là tương đương với điểm do con người bình chọn. Cả hai điều kiện đều thuộc về tương lai hoặc còn gây tranh cãi, và cả hai đều không hiển hiện trong tweet trích dẫn.

AutoEval thực chất là gì, và tại sao ±16 lại quan trọng ở đây

Arena đã công bố phương pháp luận AutoEval của mình vào ngày 30 tháng 7 năm 2026 và sửa đổi lần cuối vào ngày 12 tháng 8. Cơ chế này là một mô hình phần thưởng được huấn luyện trên sở thích của con người, được dùng để bỏ phiếu tự động: lấy mẫu các cặp lời nhắc-phản hồi trực tiếp, tạo lại một phản hồi từ mô hình mục tiêu, cho mô hình phần thưởng chấm điểm cả hai, chuyển đổi chênh lệch điểm thành một phiếu bầu xác suất mềm, rồi kết hợp các phiếu bầu tổng hợp đó với các phiếu bầu trực tiếp của con người trên các mô hình khác. Arena nêu rằng các điểm số thu được được "dán nhãn rõ ràng là '{{1}}AutoEval{{/1}},' sau đó được cập nhật khi có đủ phiếu bầu của con người để xác thực chúng," và báo cáo tương quan xếp hạng trên 0,98 với đánh giá trực tiếp.

Đó là một cách có thể biện minh để có được tín hiệu ngay từ ngày đầu, và đó là lý do một mô hình có thể xuất hiện trên bảng xếp hạng ngay ngày nó ra mắt. Theo chính mô tả của Arena, đó cũng là một phần giữ chỗ. Con số này mang tính tạm thời do cách cấu thành và được kỳ vọng sẽ thay đổi. Nhãn trên hàng của ERNIE không phải để trang trí; đó là chỉ dẫn rằng hãy coi 1668 là ước tính đang chờ xác thực.

Giờ hãy áp dụng thanh sai số, phần mà không ai trong hàng đó trích dẫn. Khoảng của ERNIE chạy từ khoảng 1652 đến 1684. Con số 1664 của DeepSeek-V4.1-Flash và 1658 của Kimi K3 đều nằm trong đó. Qwen3.8-Max với 1670 cũng vậy, và GPT-6 Sol với 1673 cũng vậy. Câu "điểm số của nó đặt nó ngay trên DeepSeek-V4.1-Flash ở 1664 và Kimi K3 ở 1658" đúng về mặt số học đối với các ước lượng điểm và không được hỗ trợ về mặt thống kê như một so sánh: dựa trên chính độ bất định đã công bố của hàng này, ERNIE không thể phân biệt với bất kỳ mô hình nào trong khoảng 1652 đến 1684. Nó có thể cao hơn DeepSeek. Nó có thể thấp hơn. Bảng hiện tại không cho biết điều nào.

Đây không phải là một chi tiết kỹ thuật nhằm vào một nhà cung cấp nào đó. Một khoảng tin cậy ±16 trên một bảng xếp hạng nơi toàn bộ top-25 trải rộng khoảng 200 điểm có nghĩa là gần như mọi cặp hàng liền kề đều hòa ở mức độ tin cậy này, và cách đọc trung thực của bất kỳ so sánh liền kề đơn lẻ nào — đối với bất kỳ mô hình nào — là “ngang nhau”. Điều bất thường ở đây chỉ là một nhà cung cấp đã khuếch đại so sánh liền kề đó thành một kết quả.

“#2” đến từ đâu, và giấy phép mà nó phụ thuộc vào

Suy ngược từ các con số và chỉ có đúng một cách để khẳng định đó trở thành đúng, điều này đáng nói ra vì nó có thể kiểm chứng và vì Arena đã không nói rõ điều đó.

Coi {{1}}tập mở{{/1}} là “mọi hàng mà Arena không gắn thẻ {{2}}Độc quyền{{/2}}”. Trên 1668, điều đó chỉ để lại đúng một hàng: {{3}}Kimi K3.1 Pro (Max){{/3}} ở 1688, mang thẻ “{{4}}Kimi K3.1 Pro License{{/4}}”. Mọi thứ khác trên ERNIE đều được gắn thẻ {{5}}Độc quyền{{/5}}. Theo cách đọc đó, {{3}}Kimi K3.1 Pro{{/3}} là #1 và {{6}}ERNIE 5.5 Flash Preview{{/6}} sẽ là #2 — không phải vì nó đánh bại cả nhóm, mà vì nhóm phía trước nó là độc quyền.

Việc tái dựng đó là một suy luận, không phải một trích dẫn: bài đăng của Arena không nêu tên mô hình mà họ coi là #1, và bảng xếp hạng không công bố bộ phân loại mở-so-với-độc quyền của mình ngoài các thẻ giấy phép. Nếu suy luận đó đúng, thì sự thật trụ cột của tuyên bố là một giấy phép tùy chỉnh trên mô hình của người khác — Arena coi Kimi K3.1 Pro là mở, và toàn bộ cách diễn đạt “mô hình mở #2” thừa hưởng quyết định phân loại đó. Nếu thay vào đó Arena tính giấy phép tùy chỉnh là đóng, thì 1668 của ERNIE là dòng phi độc quyền hàng đầu và tuyên bố lẽ ra phải đọc là “#1”, một câu sẽ kỳ lạ hơn khi công bố về một bản xem trước.

Dù thế nào đi nữa, câu này đang gánh vác nhiều hơn dữ liệu đằng sau nó. Con số là thật. Thứ hạng phụ thuộc vào một giấy phép mà chưa ai từng thấy.

Khoảng cách mà cách đóng khung che giấu

Còn một con số nữa thuộc về bất kỳ phiên bản trung thực nào của bài đăng này, và việc nó vắng mặt lại là điều cho biết nhiều nhất về bài đăng đó. Vị trí dẫn đầu của Code Arena WebDev trong cùng ảnh chụp dữ liệu là Claude Fable 5.2 với 1836. ERNIE 5.5 Flash Preview với 1668 kém mốc đó 168 điểm — và đứng thứ 17 trên 158 nếu dòng AutoEval được xếp hạng, chen giữa Qwen3.8-Max với 1670 và DeepSeek-V4.1-Flash với 1664.

Đứng thứ mười bảy trên một bảng xếp hạng 158 mô hình, một ngày sau khi ra mắt, với 14 tỷ tham số hoạt động trên tổng số 280 tỷ tham số, là một kết quả thực sự tốt. Đó là kiểu kết quả biện minh cho một bài đăng trong tuần ra mắt. Đó không phải là kiểu kết quả cần được tô vẽ như một suất lên bục vinh quang, và việc tô vẽ theo cách đó mời gọi đúng kiểu soi xét khiến nhà cung cấp mất uy tín nhiều hơn so với một câu nói trung thực sẽ gây ra.

Trang của nhà cung cấp nói gì và không nói gì

Trang phát hành của chính Baidu cho ERNIE 5.5 Flash Preview đề ngày 11 tháng 11 năm 2026, nêu rõ “280B tổng tham số với 14B hoạt động và ngữ cảnh 1M token,” và mô tả mô hình là checkpoint sau huấn luyện đầu tiên trên ERNIE 5.5 Flash Base, bộ trọng số gốc được công bố vào ngày 5 tháng 11. Trang không có tuyên bố giấy phép, không có tuyên bố về trọng số và không có số liệu benchmark — các tham chiếu benchmark trên trang là các tiêu đề về các bản phát hành ERNIE trước đó, không phải điểm số cho mô hình này.

Khoảng trống đó có ý nghĩa đối với tuyên bố đang được xem xét. "Các trọng số sẽ sớm được mở mã nguồn theo Apache 2.0" xuất hiện trong bài đăng của Arena. Nó không xuất hiện trên trang phát hành của nhà cung cấp, và cũng không xuất hiện trong việc chính nhà cung cấp khuếch đại bài đăng đó. Nếu cam kết Apache 2.0 là thật và hiện hành, trang phát hành là nơi tự nhiên để đặt nó và nó không có ở đó. Nếu nó là thật nhưng chưa được ghi nhận, thì nguồn công khai duy nhất cho một cam kết giấy phép về mô hình này là một thông báo trên bảng xếp hạng — một nơi mong manh để một giấy phép tồn tại khi một nhà cung cấp đang xây dựng một bảng xếp hạng dựa trên nó.

Cách sử dụng điều này trước khi các con số ổn định

Câu hỏi thực tế cho bất kỳ ai chọn một mô hình trong tuần này không phải là liệu 1668 có phải là một điểm số tốt hay không. Mà là liệu một ước tính WebDev tạm thời trên một checkpoint xem trước, với giá $0.28 đầu vào và $1.13 đầu ra cùng suy luận bắt buộc được tính phí như đầu ra, có nên thay thế thứ gì đó đã có trong môi trường sản xuất hay không. Dựa trên bằng chứng hiện có, câu trả lời là không — nhưng cách kiểm chứng thì rẻ, và không đòi hỏi phải tin bài đăng hay bài viết này.

Hãy chạy so sánh trên các mô hình được định tuyến thay vì trên bảng xếp hạng. DeepSeek-V4.1-Flash và Kimi K3 đều có sẵn qua OrcaRouter đằng sau một khóa tương thích OpenAI, theo giá niêm yết của nhà cung cấp mà không có phụ phí, vì vậy nhóm đối chứng tốn mức giá của chính nhà cung cấp thay vì một hợp đồng thứ hai và một SDK thứ hai. Hãy xây dựng hai mươi tác vụ front-end đại diện cho công việc thực tế của bạn — tái cấu trúc component, một lỗi bố cục chỉ xuất hiện ở một breakpoint, một công việc nối dây máy trạng thái — chạy mỗi mô hình hai lần, và đếm cả token đầu ra lẫn độ chính xác. Đó là phép đo mà không hàng nào trên bảng xếp hạng sẽ cho bạn, bởi vì đó là con số duy nhất phải là của bạn: chi phí trên mỗi tác vụ, không phải giá trên mỗi token.

Hãy coi chính ERNIE 5.5 Flash Preview là thứ đang được kiểm thử chứ không phải thứ đang được đưa vào sử dụng. Nó nằm trên Qianfan, không có trong danh mục của chúng ta, và một bản xem trước mà chính nhà cung cấp gọi là checkpoint trung gian sau huấn luyện đúng là kiểu hồ sơ mà bạn định tuyến phía sau một mô hình chính chứ không phải phía trước nó. Nếu bạn thực sự đặt nó trên một đường dẫn, hãy đặt nó trên một đường dẫn có failover, để vào ngày Arena thay 1668 bằng một con số do con người bình chọn — hoặc ngày các trọng số Apache 2.0 xuất hiện, hoặc không xuất hiện — người dùng của bạn biết được qua một dòng log chứ không phải qua một sự cố ngừng dịch vụ.

Điều gì sẽ giải quyết được chuyện đó?

Ba điều, theo thứ tự chúng có khả năng xuất hiện, mỗi điều sẽ làm thay đổi kết luận trong bài viết này chứ không chỉ tô điểm thêm cho nó.

• Phiếu bầu của con người thay thế nhãn AutoEval trên dòng đó. Arena cho biết điểm số được cập nhật khi có đủ phiếu bầu. Khi phiếu bầu không còn ghi N/A, con số 1668 trở nên so sánh được với 1664 và 1658 mà nó được đặt đối chiếu, và câu hỏi ±16 tự được giải đáp. Hãy theo dõi khoảng thu hẹp tương xứng với mức dịch chuyển của ước lượng điểm.

• {{1}}Trọng số được công bố theo một giấy phép có tên.{{/1}} Một kho lưu trữ thực tế với tệp Apache 2.0 giải quyết vĩnh viễn câu hỏi về mô hình mở và làm cho cách gọi "#2 open model" trở nên công bằng về mặt hồi tố. {{2}}Một thông báo cấp phép không có trọng số không giải quyết được gì.{{/2}}

• Một phép đo WebDev độc lập. AutoEval của Arena là công cụ của chính Arena, và mọi con số benchmark mà Baidu công bố cho mô hình này đều là kết quả Baidu tự chạy trên harness của chính Baidu. Cả hai đều không phải kết quả của bên thứ ba. Đánh giá front-end thực sự độc lập đầu tiên về ERNIE 5.5 Flash Preview sẽ có giá trị hơn cả hai.

Cho đến lúc đó, câu chính xác là câu nhàm chán: một checkpoint preview mà Baidu phát hành ngày 11 tháng 11 đạt 1668 trên Code Arena WebDev, một ước lượng AutoEval nằm trong một khoảng chồng lấn với bốn mô hình xếp ngay dưới, trên một dòng mà bảng xếp hạng vẫn gắn nhãn Proprietary, và nhà cung cấp của nó đã khuếch đại điều đó thành vị trí thứ 2 trong ngắn hạn trong số các mô hình mở. Mọi mệnh đề trong đó đều có thể kiểm chứng ngay hôm nay. Phiên bản được đăng lên tweet không hẳn sai mà là chưa hoàn chỉnh — và nó đã được công bố như thể đã xong.