ERNIE 5.5 Flash Preview cuối cùng đã có bài đăng ra mắt, hai mươi bộ đánh giá chuẩn và lời hứa về trọng số

46.5 trên Terminal-Bench 4.0 là điểm số đầu tiên mà Baidu từng công bố cho ERNIE 5.5 Flash Preview, và nó xuất hiện vào ngày 11 tháng 11 năm 2026 — một ngày sau khi chính mô hình ra mắt trên Qianfan dưới dạng endpoint tính phí với bảng giá và hoàn toàn không có tài liệu nào. Bài đăng phát hành mang con số đó là tuyên bố chính thức đầu tiên về mô hình, và nó trả lời ba câu hỏi mà endpoint không thể: nó là gì (280 tỷ tham số tổng với 14 tỷ tham số hoạt động, ngữ cảnh 1M token, được post-train trên checkpoint ERNIE 5.5 Flash Base từ ngày 5 tháng 11), Baidu nói nó so sánh thế nào (hai mươi dòng benchmark đặt cạnh GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3, GLM-5.3-Flash, DeepSeek-V4.1-Flash-1017 và một mô hình chỉ được liệt kê là Hy4), và liệu bạn có bao giờ có thể tự chạy nó hay không (các trọng số "sẽ được mã nguồn mở theo Apache 2.0 sớm"). Mọi con số trong bảng đó đều do nhà cung cấp báo cáo, được tạo trên các harness riêng của Baidu với các mô hình giám khảo do Baidu lựa chọn, và chưa có phần nào được tái lập bên ngoài công ty. Nhóm benchmark là phần của so sánh này mà bạn thực sự có thể kiểm soát. giá niêm yết của nhà cung cấp với 0% markup GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 và DeepSeek V4.1 Flash nằm trên cùng một key ở giá niêm yết của nhà cung cấp, còn phí OrcaRouter được hiển thị là $0.00.

Baidu đã đưa gì lên trang

Bài đăng được cấu trúc như một đoạn phim demo tổng hợp kèm phụ lục benchmark, điều này cho bạn biết Baidu cho rằng luận điểm là gì. Bốn phần năng lực — phát triển trò chơi, mô hình hóa và thiết kế 3D, công việc tri thức, sáng tạo video — mỗi phần được xây dựng từ các sản phẩm mà mô hình tạo ra từ đầu đến cuối bên trong một khung tác nhân, với tài nguyên và công cụ bên ngoài được ghi công từng mục. Thông số kỹ thuật nằm ở đoạn mở đầu và không quay lại nữa: tổng cộng 280B, 14B hoạt động, ngữ cảnh 1M token, API trên Qianfan, trọng số được hứa hẹn theo Apache 2.0. Không có model card, không có ngày cắt kiến thức, không có số liệu độ trễ, không có giá, và không có tuyên bố về số token suy luận mà mô hình phát ra cho mỗi tác vụ.

Hai câu trong bài viết quan trọng hơn toàn bộ phần còn lại cộng lại. Câu đầu tiên nằm trong phần phát triển trò chơi, mô tả dự án Unreal Engine 5.8: "Vì đây là một mô hình chỉ văn bản và không thể nhìn thấy màn hình, nó đã biến những vấn đề phát hiện được trong quá trình chơi thử, chẳng hạn như một nhân vật lơ lửng trên mặt đất, hướng chạy không nhất quán và camera bị đặt sai vị trí, thành các bài kiểm tra có thể đo lường được trong mã." Đó là một mô tả thẳng thắn đến mức bất thường về một cách xử lý vòng vo — mô hình đã viết các bài kiểm tra vì nó không thể nhìn vào trò chơi — và đây là tuyên bố rõ ràng nhất cho đến nay rằng đây là một hệ thống văn bản vào, văn bản ra mà năng lực thị giác của nó được giao phó cho các công cụ.

Đoạn thứ hai là đoạn kết: ERNIE 5.5 Flash Preview “là một checkpoint trung gian từ giai đoạn hậu huấn luyện. Nó đã đủ sức cạnh tranh với các mô hình cùng kích cỡ, nhưng vì quá trình huấn luyện chưa kết thúc, một số năng lực có thể vẫn chưa đạt yêu cầu.” Một bài đăng ra mắt cho bạn biết rằng việc ra mắt chưa hoàn tất thì đáng giá hơn một bài không nói vậy, và nó định hình lại toàn bộ những gì ở trên. Bạn không phải đang đọc một thông báo sản phẩm. Bạn đang đọc một báo cáo tiến độ có kèm bảng điểm, được công bố để người dùng phản hồi trước bản phát hành chính thức.

Hai mươi dòng chuẩn mực, hãy đọc kỹ.

Bảng phụ lục là một hình ảnh duy nhất, và điều đó tự nó đã là một dấu hiệu nhỏ: không thể sao chép, sắp xếp hay đối chiếu các con số với bảng tính. Đọc từ hình ảnh, cột ERNIE như sau, tất cả đều do Baidu 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 kèm ký hiệu chú thích, AA-Omniscience-Public đạt 25.2, AA-LCR v1.1 đạt 79.0.

• 3D — BlenderWorld chỉ có văn bản ở mức 79.0, hàng duy nhất đề cập trực tiếp đến các tuyên bố về CAD và Blender trong phần nội dung chính.

Các chú thích cuối trang chính là nơi thể hiện sự trung thực, và chúng đáng để đọc trước bất kỳ ô nào. Mỗi benchmark đều chạy trên một harness được nêu tên — 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 của chúng tôi thiếu khả năng đa phương thức gốc, khả năng hiểu hình ảnh được cung cấp thông qua một công cụ được vận hành bởi Claude Opus 5.5." Nói cách khác, ít nhất một số benchmark phụ thuộc vào thị giác đã được hoàn thành bởi ERNIE 5.5 Flash Preview điều khiển một công cụ gọi mô hình của đối thủ. Đó là một lựa chọn kỹ thuật chính đáng và là một điều thực sự kỳ lạ khi phát hiện trên một bảng điểm, đồng thời có nghĩa là những hàng liên quan đến việc nhìn vào bất cứ thứ gì đang đo lường toàn bộ harness, chứ không chỉ riêng mô hình.

Hai hàng mang tiền tố AA cần có 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 lần chạy của Baidu, không phải của Artificial Analysis. Tính đến ngày 11 tháng 11, không có hàng ERNIE 5.5 trên bảng xếp hạng Artificial Analysis, nên không có con số độc lập nào để đối chiếu với từng ô.

Đoạn reel demo chính là lập luận thực sự.

Nếu bảng điểm chuẩn là phần sẽ được trích dẫn, thì bốn nghiên cứu điển hình lại là phần khó làm giả, vì chúng mô tả sản phẩm công việc chứ không phải điểm số. Các chi tiết đủ cụ thể để về nguyên tắc có thể kiểm chứng được, và đủ rõ ràng để hữu ích khi bạn đang quyết định sẽ hướng mô hình này vào việc gì.

• Phát triển game — một game góc nhìn thứ ba trên Unreal Engine 5.8 được xây dựng trong một nhiệm vụ lập trình kéo dài 11 giờ, hợp nhất tài nguyên từ nhiều thế hệ engine vào một dự án và viết game bằng C++; riêng rẽ, gần 100 mini-game di động được tạo 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 của bot và tìm kiếm không gian trạng thái có thể xác minh mỗi màn chơi đều có thể hoàn thành.

• Mô hình hóa 3D — một chiếc Boeing 747 và sân bay Đại Hưng Bắc Kinh được hai tác nhân xây dựng thông qua API Python của Blender, một tác nhân 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 dựng bằng FFmpeg; quần thể chùa Hōryū-ji được nghiên cứu và dựng từng bước; một chuỗi previs gồm khoảng 2.100 đối tượng và 1,82 triệu tam giác trên bốn cảnh Blender; một động cơ W16, hai tòa tháp Thâm Quyến và một xe tự hành mặt trăng được mô hình hóa trong FreeCAD thông qua các tập lệnh 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 tai nạn liên bang, một bảng tính lập kế hoạch tài sản tương tác với mô phỏng Monte Carlo 1.000 đường, và một bản nhạc giao hưởng dài 6 phút 34 giây được giao dưới dạng WAV. Câu chuyện huấn luyện đằng sau điều này là con số lớn nhất trong bài đăng: 300.000 không gian làm việc chứa 10 triệu tệp tham chiếu thuộc hơn 40 loại tệp.

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.

Điểm chung của những thứ này là không cái nào trong số đó là một tương tác trò chuyện. Mỗi cái đều là một lượt chạy agentic dài với các lời gọi công cụ, và khẳng định được đưa ra là về sức bền — liệu mô hình có thể giữ một kế hoạch xuyên suốt nhiều giờ chỉnh sửa hay không. Đó chính xác là thuộc tính mà một bảng benchmark hai mươi dòng đo lường kém nhất, và là lý do bài viết mở đầu bằng các artefact.

Nơi bài đăng ra mắt và endpoint không khớp nhau

Mô hình được mô tả trong bài đăng và mô hình được mô tả trong bảng thông số kỹ thuật của Qianfan rõ ràng là cùng một hệ thống được nhìn từ hai bộ phận không đối chiếu thông tin với nhau. Endpoint đi vào hoạt động ngày 10 tháng 11 với giá 0,28 USD mỗi triệu token đầu vào và 1,13 USD mỗi triệu token đầu ra, đọc từ bộ nhớ đệm ở mức 0,028 USD, cửa sổ ngữ cảnh 1.024.000 token, giới hạn đầu ra 921.600 token, suy luận bắt buộc ở một mức nỗ lực cao duy nhất và không có model card. Bài đăng phát hành, xuất bản một ngày sau đó, nhắc lại cửa sổ ngữ cảnh, hoàn toàn bỏ qua giá, không nói gì về suy luận bắt buộc và cung cấp phần định vị tương đương cả một model card mà không cung cấp model card.

Hệ quả thực tế là hai nửa của câu chuyện phải được đọc cùng nhau, hoặc không đọc gì cả. {{1}}Bài đăng cho bạn biết mô hình có thể đảm nhận một tác vụ lập trình kéo dài mười một giờ; endpoint cho bạn biết rằng mọi thứ nó “suy nghĩ” đều bị tính phí theo mức giá đầu ra và rằng bạn không thể tắt chế độ suy nghĩ.{{/1}} Một lượt chạy dành hàng giờ để lặp đi lặp lại là một lượt chạy phát ra lượng token đầu ra khổng lồ, và {{2}}ở mức 1,13 đô la Mỹ mỗi triệu{{/2}} chi phí của đoạn demo là câu hỏi mà bài đăng không hề nêu ra. Cho đến khi ai đó đo được số token đầu ra trên mỗi tác vụ hoàn thành trên khối lượng công việc của chính họ, mọi so sánh giữa mô hình này và một mô hình rẻ hơn đều chỉ là so sánh bảng giá.

Điều gì vẫn còn thiếu, và nó không hề nhỏ

Ba sự thiếu hụt định hình trạng thái hiện tại của ERNIE 5.5 Flash Preview, và mỗi sự thiếu hụt được giải quyết theo một khung thời gian khác nhau.

• Trọng số. Bài đăng hứa Apache 2.0 "sớm" 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 ERNIE-5.5-Flash-Base và biến thể BF16 của nó, cả hai đều được tạo vào ngày 21 tháng 10. Checkpoint cơ sở được phát hành theo giấy phép ERNIE 5.5 Flash Base, một giấy phép cộng đồng có hạn chế, loại trừ Liên minh châu Âu, Vương quốc Anh và Hàn Quốc, giới hạn sử dụng thương mại miễn phí dựa trên doanh thu hằng năm liên quan và yêu cầu ghi công "Powered by ERNIE". Nếu trọng số của bản xem trước thực sự xuất hiện theo Apache 2.0, thì đó là một thay đổi về điều khoản giấy phép đối với dòng mô hình này và là vấn đề hệ trọng hơn nhiều so với bất kỳ dòng kết quả benchmark nào.

• Điểm số độc lập. Không có nội dung nào trong bản phát hành này được chạy bởi bất kỳ ai khác ngoài Baidu. Các benchmark có chữ AA trong tên là những thứ cần để mắt tới, vì Artificial Analysis chạy các bộ khung kiểm thử của riêng mình và sẽ công bố một hàng có thể so sánh được nếu và khi họ thêm mô hình này; cho đến lúc đó, hai mươi ô đó chỉ là một tuyên bố, không phải một phép đo.

• Mô hình đã hoàn thiện. Baidu cho biết quá trình hậu huấn luyện vẫn đang diễn ra và bản phát hành chính thức sẽ cải thiện so với bản xem trước. Đó là một tuyên bố rõ ràng rằng những con số của hôm nay chỉ có giá trị trong một thời gian, và nó khiến mọi quyết định xây dựng dựa trên checkpoint này trở thành quyết định về một mục tiêu đang dịch chuyển.

Làm thế nào để đánh giá nó mà không đặt cược lộ trình sản xuất vào nó

Truy cập được thực hiện thông qua API Qianfan của chính Baidu hoặc thông qua các nền tảng bên thứ ba bán lại nó. OrcaRouter không định tuyến ERNIE 5.5 Flash Preview — không có mục ERNIE nào trong danh mục hơn 200 mô hình của chúng tôi và không có endpoint Baidu nào phía sau, vì vậy không nội dung nào ở đây nên được hiểu là lời đề nghị cung cấp nó.

Điều khiến danh mục này hữu ích trong tình huống này là phía bên kia của bàn so sánh: các mô hình mà mô hình này đang được đánh giá so với đều có thể truy cập thông qua một khóa tương thích OpenAI theo giá niêm yết của nhà cung cấp với mức đánh thêm 0%, điều này giúp bạn có thể tự chạy cùng hai mươi tác vụ qua GPT-6.1 Sol, Claude Opus 5.5, GLM-5.3 và DeepSeek V4.1 Flash để xem liệu thứ tự xếp hạng của Baidu có trụ vững khi tiếp xúc với prompt của bạn hay không. Cơ chế chuyển đổi dự phòng tự động đảm nhận vai trò thứ hai — một bản xem trước chưa có lịch sử thời gian hoạt động không bao giờ phải là thứ duy nhất chống đỡ một luồng yêu cầu, vì một phương án dự phòng được định tuyến có thể tiếp nhận lệnh gọi khi nó bị đình trệ.

Bài đánh giá đáng để chạy trong tuần này thì hẹp và rẻ. Hãy lấy mười tác vụ agent tầm xa của chính bạn, chạy từng tác vụ qua bản preview và qua hai mô hình bạn đã tin tưởng, rồi ghi lại ba thứ cho mỗi tác vụ: liệu nó có hoàn thành không, nó đã đốt bao nhiêu token đầu ra, và chi phí là bao nhiêu. Điều đó cho bạn hai con số mà Baidu đã không công bố — token trên mỗi tác vụ và chi phí trên mỗi tác vụ hoàn thành — so với một đường cơ sở do chính bạn chọn. Mọi thứ còn lại trong bài công bố, kể cả 46.5, là harness của người khác.

Điều có thể giải quyết câu hỏi không phải là một bản demo khác. Mà là một ngày cho bản phát hành Apache 2.0, một model card có knowledge cutoff và bảng đánh giá, một dòng Artificial Analysis do chính Artificial Analysis tạo ra, và một checkpoint thứ hai mà các con số có thể so sánh với checkpoint này. Baidu giờ đã công bố câu chuyện lẽ ra nó phải công bố vào ngày 10 tháng 11. Thứ tiếp theo mà nó nợ người dùng là artefact cho phép họ thôi phải tin vào lời nó nói về bảng điểm.