ERNIE 5.5 Flash Preview muốn thử thách khó nhất của bạn: Bản dựng kéo dài mười một giờ thực sự chứng minh được điều gì

ERNIE 5.5 Flash Preview đã chính thức hoạt động dưới dạng một endpoint tính phí trên nền tảng Qianfan của Baidu vào ngày 10 tháng 11 năm 2026, và bài đăng ra mắt chính thức tiếp theo vào ngày 11 tháng 11 với một tuyên bố tiêu đề duy nhất: hãy giao cho nó những nhiệm vụ khó nhất của bạn. Tuyên bố đó dựa vào một sản phẩm hơn bất kỳ thứ gì khác — một trò chơi góc nhìn thứ ba trên Unreal Engine 5.8 được xây dựng trong cái mà Baidu mô tả là một tác vụ lập trình kéo dài mười một giờ duy nhất — và vào hai mươi dòng benchmark mà Baidu chạy trên các harness của riêng mình với những giám khảo do họ lựa chọn. Cả mười một giờ lẫn hai mươi con số đều chưa được tái lập bên ngoài công ty. Câu hỏi thú vị không phải là liệu bản demo có ấn tượng hay không. Mà là liệu một lần chạy agentic kéo dài mười một giờ có phải là thứ đúng đắn để đo lường hay không, và bảng thông số nói gì về hóa đơn bạn sẽ phải trả cho một lần như vậy.Danh mục có 228 mô hình từ 17 nhà cung cấp và không có mục ERNIE nào trong danh mục gồm 228 mô hình từ 17 nhà cung cấp vì vậy nhóm so sánh chỉ cách một lần gõ phím, dù đối tượng chính thì không.

Tuyên bố này nói về thời lượng, không phải độ khó.

Mỗi bài đăng ra mắt mô hình đều nói mô hình giỏi những việc khó. Bài này định nghĩa "khó" theo cách khác: định nghĩa đó là "dài". Bản build trò chơi, các cảnh 3D, những không gian làm việc hàng nghìn tệp và phim hoạt hình ngắn 116 giây đều là những bài tập về việc giữ một kế hoạch liền mạch qua hàng giờ chỉnh sửa và gọi công cụ, chứ không phải trả lời một câu hỏi mà một mô hình nhỏ hơn sẽ trả lời sai.

Sự phân biệt đó quan trọng vì hai thuộc tính này tách rời nhau. Một mô hình có thể xuất sắc trong suy luận một lượt và sụp đổ vào giờ thứ tư của một lần tái cấu trúc, khi ngữ cảnh đầy những lỗi trước đó của chính nó và kế hoạch cần được sửa lại thay vì thực thi. Một mô hình cũng có thể tầm thường với một câu đố một lần mà vẫn là lựa chọn đúng cho một bản dựng qua đêm. Baidu đặt cược rằng bạn quan tâm đến điều thứ hai.

Câu hữu ích nhất trong toàn bộ bài đăng không phải là một benchmark. Nó nằm trong phần phát triển trò chơi, mô tả cách mô hình hoạt động khi không thể nhìn: vì nó chỉ xử lý văn bản và không thể nhìn màn hình, nó đã chuyển các lỗi phát hiện được trong quá trình chơi thử — một nhân vật lơ lửng trên mặt đất, hướng chạy không nhất quán, một camera đặt sai vị trí — thành các bài kiểm tra đo lường được trong mã. Đó là một mô tả thẳng thắn về một giải pháp vòng tránh, và nó cho bạn biết một điều mà bảng thông số kỹ thuật không nói. Năng lực của mô hình đối với công việc hình ảnh được giao phó cho bộ công cụ do chính nó viết ra, nghĩa là chất lượng của kết quả phụ thuộc vào việc liệu nó có thể phát minh ra một bài kiểm tra có thể xác minh cho thứ mà nó không thể nhìn thấy hay không.

Cuộn phim thực sự chứa gì

Bốn nghiên cứu điển hình đáng được liệt kê vì chúng cụ thể hơn mức mà nội dung giới thiệu khi ra mắt thường đạt được, và chính sự cụ thể là thứ khiến chúng có thể kiểm chứng về nguyên tắc.

• Phát triển trò chơi — một trò chơi góc nhìn thứ ba trên Unreal Engine 5.8 được xây dựng trong một nhiệm vụ kéo dài mười một giờ, hợp nhất tài nguyên từ nhiều thế hệ engine khác nhau vào một dự án duy nhất và viết trò chơi bằng C++; riêng một mảng khác, gần một trăm mini-game di động được tạo ra từ tài liệu thiết kế trên Cocos, Unity, LayaAir, PixiJS và Canvas 2D, phần lớn trong số đó cấu trúc luật chơi dưới dạng mô phỏng tất định để các lượt chơi do bot thực hiện và tìm kiếm không gian trạng thái có thể chứng minh mọi màn chơi đều có thể vượt qua.

• Mô hình hóa 3D — một chiếc Boeing 747 và sân bay Bắc Kinh Đại Hưng được hai agent dựng qua API Python của Blender, một agent phụ trách sân bay và một phụ trách máy bay, sau đó được khớp tỉ lệ, chiếu sáng, kết xuất từng khung hình bằng Cycles và OptiX rồi cắt ghép bằng FFmpeg; quần thể chùa Hōryū-ji được nghiên cứu và lắp ráp từng bước; một chuỗi previs gồm khoảng 2.100 đối tượng và 1,82 triệu tam giác trải trên bốn cảnh Blender; một động cơ W16, hai tòa tháp Shenzhen và một xe tự hành Mặt Trăng được mô hình hóa trong FreeCAD thông qua các script Python.

• Công việc tri thức — một báo cáo nghiên cứu dài 20 trang về chi phí điện của trung tâm dữ liệu, một phân tích lái xe tự động dài 24 trang được xây dựng trên 4.169 báo cáo va chạm liên bang, một sổ làm việc hoạch định tài sản tương tác với mô phỏng Monte Carlo 1.000 đường, và một tác phẩm giao hưởng dài 6 phút 34 giây được cung cấp dưới dạng tệp WAV.

Video — hơn 150.000 môi trường sáng tạo và khoảng 5.300 phút video thành phẩm, nổi bật là một phim hoạt hình ngắn 2D dài 116 giây được viết bằng hơn 10.000 dòng Python, đưa một chú bồ nông được tham số hóa duy nhất đi qua 20 phong cách nghệ thuật.

Con số huấn luyện đằng sau phần công việc tri thức là con số lớn nhất trong bài viết: 300.000 không gian làm việc chứa 10 triệu tệp tham chiếu thuộc hơn 40 loại tệp. Đó là một tuyên bố về những gì mô hình được huấn luyện để chịu đựng, và đó là phần lập luận mà một bảng điểm chuẩn hoàn toàn không thể đưa ra.

Hai mươi hàng, được đọc để xem chúng nói gì về những chuỗi dài

Phụ lục là một hình ảnh duy nhất, nghĩa là các con số không thể được sao chép, sắp xếp hoặc đối chiếu với bảng tính. Đọc từ hình ảnh đó, cột ERNIE diễn ra như sau, tất cả đều do nhà cung cấp báo cáo và chưa được tái lập:

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

• Sử dụng máy tính và tự động hóa — CookieBench đạt 88.2, AutomationBench đạt 61.9, APEX-Agents 1.1 đạt 64.2, DRACO đạt 84.9.

• Công việc tri thức — SpreadsheetBench V2 đạt 36,4; OfficeQA Pro V2 đạt 67,9; Agents' Last Exam (CLI) đạt 29,0; SkillsBench 1.1 chỉ văn bản đạt 73,5.

• Các agent tổng quát và sử dụng công cụ — Toolathlon-Verified đạt 79.0, MCP-Atlas đạt 84.6, BrowseComp đạt 87.4.

• Suy luận — HLE không dùng công cụ đạt 46.4, AA-Omniscience-Public đạt 25.2, AA-LCR v1.1 đạt 79.0.

• 3D — BlenderWorld chỉ văn bản ở 79.0.

Bảng này hữu ích hơn nhiều khi được đọc như một bản đồ về những gì vẫn còn thất bại hơn là một bảng điểm. Bốn hàng nằm dưới 40: ProgramBench ở 29.5, Agents' Last Exam trên dòng lệnh ở 29.0, AA-Omniscience-Public ở 25.2 và Terminal-Bench-Science ở 21.0. Đó không phải là những benchmark dễ dãi. Agents' Last Exam được thiết kế để tiệm cận ranh giới của những gì một agent có thể hoàn thành một cách tự chủ; omniscience trừng phạt những câu trả lời sai đầy tự tin; Terminal-Bench-Science kiểm tra các nhiệm vụ cấp phòng thí nghiệm, nơi một quy trình trông có vẻ hợp lý là vô giá trị. Một mô hình muốn nhận nhiệm vụ khó nhất của bạn và đạt 21.0 trên biến thể khoa học của benchmark agentic khó nhất đang cho bạn biết trần hiện tại nằm ở đâu. SpreadsheetBench V2 ở 36.4 nói điều tương tự về công việc bảng tính cụ thể, điều này nằm chỏng chơ bên cạnh workbook Monte Carlo 1.000 đường dẫn trong bài đăng ra mắt.

Các hàng trên 80 cũng có giá trị thông tin tương đương vì một lý do khác. BrowseComp ở 87,4, MCP-Atlas ở 84,6, CookieBench ở 88,2 và DRACO ở 84,9 đều là những tác vụ mà mô hình được chấm điểm dựa trên một trạng thái cuối cùng đã hoàn thành và có thể kiểm tra được, thay vì dựa trên một câu trả lời. Mô thức đó — mạnh về khả năng hoàn thành có thể kiểm chứng, yếu về phán đoán khoa học dạng mở — chính là điều bạn sẽ kỳ vọng ở một mô hình được huấn luyện trên 300.000 không gian làm việc đầy những tệp hoặc build được hoặc không.

Các chú thích mang theo sự trung thực. Mỗi bài đánh giá đều chạy trên một harness có tên cụ thể, với Claude Code 2.1.x, mini-swe-agent 2.4.6, Codex 0.162.1 và một thứ được viết tắt là DSH đều xuất hiện, còn các mô hình giám khảo là Qwen3.8-Max, DeepSeek-V4.1-Flash-1017 và Gemini 3.1 Flash-Lite. Một chú thích thừa nhận rằng GLM-5.3 và mô hình này thiếu năng lực đa phương thức gốc và rằng khả năng hiểu hình ảnh được cung cấp thông qua một công cụ do Claude Opus 5.5 vận hành. Do đó, ít nhất một số hàng phụ thuộc vào thị giác đang đo một harness trong đó ERNIE 5.5 Flash Preview gọi mô hình của một đối thủ để nhìn mọi thứ. Đó là một lựa chọn kỹ thuật hợp lý và là một điều kỳ lạ khi thấy trên một bảng điểm.

Hai hàng có tiền tố AA cần lưu ý riêng. AA-Omniscience-Public và AA-LCR v1.1 là các benchmark do Artificial Analysis, đơn vị theo dõi độc lập, công bố, nhưng đây là các lượt chạy của Baidu. Tính đến ngày 11 tháng 11, không có hàng ERNIE 5.5 nào trên bảng xếp hạng Artificial Analysis, nên không có con số độc lập nào để đối chiếu với một trong hai ô.

Một lần chạy mười một tiếng sẽ tốn bao nhiêu, và điều Baidu không nói

Tài liệu endpoint là phần của bản phát hành này giúp biến một bản demo thành một quyết định kỹ thuật. Qianfan liệt kê ERNIE 5.5 Flash Preview ở mức $0,28 mỗi triệu token đầu vào và $1,13 mỗi triệu token đầu ra, với lượt đọc từ bộ nhớ đệm ở mức $0,028, cửa sổ ngữ cảnh 1.024.000 token, giới hạn đầu ra 921.600 token, và khả năng suy luận luôn bật ở một mức nỗ lực cao duy nhất mà không có cách nào tắt đi.

Giới hạn đầu ra đó chính là lý do cơ học khiến cho một lần chạy đơn kéo dài thậm chí trở nên khả thi: mô hình có thể phát ra gần bằng số token mà toàn bộ cửa sổ ngữ cảnh của nó chứa được. Đó cũng là lý do khiến hóa đơn không hề rõ ràng. Việc nhập gợi ý được tính giá bằng một phần tư mức giá đầu ra, nhưng mọi thứ mô hình “suy nghĩ” đều bị tính theo mức giá đầu ra, và một mô hình không thể ngừng suy nghĩ là mô hình mà chi phí cho mỗi tác vụ bị chi phối bởi những token không ai đọc.

Hãy tính toán với một lần gọi đơn lẻ ở mức tối đa, đây là trường hợp thuận lợi nhất hiện có. Lấp đầy cửa sổ 1.024.000 token tốn khoảng $0,29 theo mức giá đầu vào. Phát ra toàn bộ trần đầu ra 921.600 token tốn khoảng $1,04. Đó là khoảng $1,33 cho một lần gọi chạm cả hai giới hạn. Bản build Unreal kéo dài mười một giờ rất có thể đã không làm như vậy, và bài đăng ra mắt không nói nó đã tiêu thụ bao nhiêu token, cần bao nhiêu lần gọi riêng biệt, hoặc tốn bao nhiêu tiền. Cho đến khi có người đo số token đầu ra trên mỗi tác vụ hoàn thành trên khối lượng công việc của chính họ, mọi tuyên bố về việc mô hình này rẻ hay đắt khi xử lý công việc khó đều là so sánh bảng giá chứ không phải so sánh kết quả.

Hai điều mà bản phát hành vẫn còn nợ bạn

Bài đăng kết thúc bằng việc gọi ERNIE 5.5 Flash Preview là “một checkpoint trung gian từ quá trình post-training”, thừa nhận rằng quá trình huấn luyện chưa hoàn tất và một số năng lực có thể vẫn chưa đạt yêu cầu. Bài viết cũng hứa rằng trọng số sẽ sớm được mở mã nguồn theo Apache 2.0, nhưng không nêu ngày cụ thể, và tính đến ngày 11 tháng 11, không có kho lưu trữ bản xem trước nào trên Hugging Face — các artefact ERNIE 5.5 duy nhất được công bố ở đó là checkpoint cơ sở và biến thể BF16 của nó. Không có model card, không có mốc cắt kiến thức và không có số liệu độ trễ ở bất kỳ đâu trong bản phát hành.

Vậy nên bản tóm tắt trung thực về “hãy giao cho nó nhiệm vụ khó nhất của bạn” hẹp hơn khẩu hiệu. ERNIE 5.5 Flash Preview là một mô hình chỉ xử lý văn bản với ngữ cảnh rất lớn, hạn mức đầu ra lớn bất thường, thành tích mạnh ở các nhiệm vụ kết thúc bằng một sản phẩm build, thành tích yếu ở các nhiệm vụ kết thúc bằng một đánh giá khoa học, và không có xác minh độc lập nào. Đó là một hồ sơ thực sự và cụ thể. Đó cũng là hồ sơ mà một checkpoint thứ hai có thể sẽ ghi đè lên.

Làm cách nào để kiểm tra hồ sơ đó mà không phải đặt cược một lối đi vào nó

Baidu cung cấp mô hình này thông qua API Qianfan của riêng mình và thông qua các nền tảng bên thứ ba phân phối lại mô hình này. OrcaRouter không định tuyến ERNIE 5.5 Flash Preview — không có mục ERNIE nào trong danh mục gồm 228 mô hình từ 17 nhà cung cấp và không có điểm cuối Baidu nào đằng sau mô hình này — vì vậy không có nội dung nào ở đây nên được hiểu là lời đề nghị cung cấp mô hình này.

Điều mà danh mục này có ích trong tình huống này là nửa còn lại của thử nghiệm. Các mô hình dùng làm thước đo cho mô hình này đều có thể truy cập qua một khóa với giá niêm yết của nhà cung cấp mà không có phụ phí, nghĩa là bạn có thể chạy chính những tác vụ khó đó qua chúng và so sánh tỷ lệ hoàn thành thay vì điểm số đã công bố. Chuyển đổi dự phòng tự động đảm nhận nhiệm vụ thứ hai: một bản xem trước không có lịch sử thời gian hoạt động không bao giờ phải là thứ duy nhất chống đỡ một đường dẫn yêu cầu, vì một phương án dự phòng đã được định tuyến có thể nhận cuộc gọi khi nó bị treo ở giờ thứ ba.

Bài đánh giá đáng để chạy trong tuần này thì nhỏ. Hãy lấy mười tác vụ agent dài hạn của chính bạn — những tác vụ mà bình thường bạn sẽ không giao cho một lần chạy không giám sát — và cho từng tác vụ đi qua ERNIE 5.5 Flash Preview và qua hai mô hình bạn đã tin cậy. Ghi lại xem nó có hoàn thành không, nó đốt bao nhiêu token đầu ra và tốn bao nhiêu. Điều đó tạo ra hai con số mà Baidu đã bỏ sót: token mỗi tác vụ và chi phí mỗi tác vụ hoàn thành. Mọi thứ khác trong bài đăng ra mắt, kể cả 46.5 và kể cả mười một giờ, là harness của người khác trên máy của người khác.

Điều có thể giải quyết câu hỏi không phải là một đoạn video demo khác. Mà là một ngày phát hành Apache 2.0, một model card có knowledge cutoff, một dòng Artificial Analysis do chính Artificial Analysis tạo ra, và một checkpoint thứ hai có các con số có thể đối chiếu với checkpoint này. Baidu đã công bố câu chuyện lẽ ra phải được công bố cùng với endpoint. Điều tiếp theo mà nó nợ những người vừa được nó mời giao phó những nhiệm vụ khó nhất chính là bằng chứng cho phép họ thôi phải tin vào lời của nó về việc những nhiệm vụ khó nhất đã diễn ra như thế nào.