Ling-3.2-flash vs ERNIE 5.5 Flash: Một là sản phẩm, cái kia là điểm khởi đầu

Hai phòng thí nghiệm Trung Quốc đã phát hành các mô hình cận flagship cách nhau vài giờ vào ngày 5 tháng 11 năm 2026, và gần như mọi so sánh bạn có thể viết về Ling-3.2-flash và ERNIE 5.5 Flash đều tan biến ngay khi bạn nhận ra chúng không cùng loại đối tượng. Ling-3.2-flash là một mô hình trò chuyện đa phương thức hoàn chỉnh, đã tinh chỉnh theo chỉ dẫn: nhận văn bản, hình ảnh và video, xuất câu trả lời, đang chạy trực tiếp trên endpoint tương thích OpenAI của Ant Ling và miễn phí trong hai tuần. Thứ Baidu công bố là ERNIE-5.5-Flash-Base — checkpoint ở cuối giai đoạn tiền huấn luyện, trước trung huấn luyện, trước tinh chỉnh theo chỉ dẫn, chỉ văn bản, và được phục vụ qua endpoint completions vì nó chưa được dạy cách tuân theo chỉ dẫn. Trang phát hành của chính Baidu cho biết ERNIE 5.5 Flash sau huấn luyện "sẽ ra mắt sau."

Sự bất đối xứng duy nhất đó quyết định phần lớn các câu hỏi thực tiễn bên dưới. Một mô hình bạn có thể gọi ngay chiều nay. Mô hình còn lại bạn có thể tải xuống, tinh chỉnh và biến thành một thứ gì đó — đó hoàn toàn là một giao dịch mua khác, kèm theo một hợp đồng pháp lý.

Hai vật thể, cạnh nhau

Những gì dưới đây là những gì mỗi nhà cung cấp ghi nhận ở thời điểm hiện tại. Khi một con số là của chính nhà cung cấp và chưa được tái lập, thì điều đó được nêu rõ.

Tổng số tham số và tham số hoạt động — Ling-3.2-flash tổng 560B / 25B hoạt động; ERNIE-5.5-Flash-Base tổng 280B / 14B hoạt động trên mỗi token, cộng thêm 0,36B tham số ECHO mà cả hai con số đều không bao gồm.

• Đầu vào — Ling-3.2-flash tiếp nhận văn bản, hình ảnh và video một cách native, với các khối image_url và video_url trong yêu cầu; ERNIE-5.5-Flash-Base chỉ hỗ trợ văn bản, chấm hết.

• Những gì bạn nhận được — Ling-3.2-flash là một mô hình trò chuyện đã được huấn luyện sau (post-trained) phía sau một API; ERNIE-5.5-Flash-Base là trọng số tiền huấn luyện thô mà bạn được kỳ vọng sẽ tự huấn luyện sau.

• Kiến trúc — Ling-3.2-flash là một MoE trong dòng hybrid-linear Ling mà Ant đã vận hành từ 3.1; ERNIE-5.5-Flash-Base có 43 lớp (một FFN dày đặc, 42 Multi-Router Latent MoE), 512 chuyên gia định tuyến với định tuyến top-10 cùng một chuyên gia chia sẻ, 37 lớp Heavily Compressed Attention và sáu lớp MLA với attention thưa.

• Bối cảnh — Ling-3.2-flash cung cấp cửa sổ 1M token trên API; ERNIE-5.5-Flash-Base được huấn luyện ở 128K, và cấu hình phát hành của nó cho phép 1.048.576 token để tinh chỉnh và suy luận, đây không phải là cùng một tuyên bố.

• Trọng số — Ling-3.2-flash không công bố trọng số nào; ERNIE-5.5-Flash-Base phát hành safetensors FP8 và BF16 trên Hugging Face và ModelScope.

• Giá — Ling-3.2-flash miễn phí trong hai tuần sau khi ra mắt, không có mức giá công bố cho ngày thứ mười lăm; ERNIE-5.5-Flash-Base không có giá dịch vụ lưu trữ vì Baidu không cung cấp nó, và tự triển khai thì tốn đúng bằng chi phí bạn phải bỏ ra cho 280B trọng số.

Không có dòng nào trong số đó là lời khẳng định về chất lượng. Chúng là mô tả về thứ bạn sẽ mua.

Ling-3.2-flash thực sự hữu ích cho việc gì, dựa trên bằng chứng

Tài liệu ra mắt của Ant gồm ba con số benchmark và năm video demo. Các con số này so sánh Ling-3.2-flash với Opus 5 ở mức nỗ lực tối đa trên OmniDocBench1.5 (92,21 so với 90,56), ZEROBench(Sub) (43,71 so với 39,52) và Vision2Web (85,86 so với 80,20). Cả ba đều do nhà cung cấp báo cáo, cả ba đều mang tính thị giác và chưa có bên thứ ba nào tái lập. Đọc như một tổng thể, chúng khẳng định một điều: ở phân tích tài liệu, suy luận cảnh 3D và các tác vụ thị giác sang web, Ant tin rằng nó đánh bại một mô hình đóng tiên phong. Chúng không khẳng định bất cứ điều gì về suy luận văn bản, lập trình hay công việc terminal dạng tác tử, nơi phần lớn lưu lượng sản xuất vẫn đổ về.

Các bản demo cung cấp nhiều thông tin hơn các con số, vì chúng cho thấy vòng lặp mà Ant đã xây dựng mô hình để thực hiện. Ling-3.2-flash kiểm tra các bản kết xuất không giao diện của các khối cầu vật liệu, so sánh độ nhám và bản đồ pháp tuyến, rồi viết lại tập lệnh của chính nó; nó điều khiển Blender thông qua các thao tác giao diện người dùng; nó chuyển đổi bản vẽ kỹ thuật thành mô hình web 3D; nó đọc các tệp PDF nghiên cứu có phương trình và triển khai các thuật toán bằng mã. Mỗi một nhiệm vụ trong số đó đều đòi hỏi mô hình phải xem xét một sản phẩm trung gian và tự sửa lỗi. Đó là điều mà huấn luyện đa phương thức gốc mang lại cho bạn so với một mô hình văn bản có bộ điều hợp thị giác, và đó là năng lực cần kiểm tra trước tiên nếu đây là trường hợp sử dụng của bạn.

Hai lưu ý vận hành cần được nêu cùng lúc. Ant ghi nhận giới hạn toàn cầu là hai truy vấn mỗi giây, vượt quá sẽ trả về 429, và thời gian chờ 90 giây đối với các cuộc gọi đồng bộ, với khuyến nghị dùng streaming. Và mô hình chỉ miễn phí cho đến khoảng ngày 19 tháng 11; trang giá cho biết mức giá gốc sẽ được áp dụng lại sau đó mà không nói rõ mức giá đó là bao nhiêu.

ERNIE-5.5-Flash-Base thực sự phù hợp để làm gì

Lời chào hàng của Baidu là dịch chuyển chi phí, và đó là một lập luận mạch lạc. Công ty đã dành phần tính toán tiền huấn luyện cho 33,5 nghìn tỷ token với bộ tối ưu Muon; bạn dành phần của mình cho thích ứng miền, tinh chỉnh theo chỉ dẫn hoặc học tăng cường, bắt đầu từ một checkpoint đã có sẵn mã ở quy mô kho lưu trữ và hành vi ngữ cảnh dài được tích hợp sẵn. Bản phát hành này sạch một cách bất thường khi làm đường cơ sở nghiên cứu: một checkpoint ở cuối quá trình tiền huấn luyện, không có huấn luyện giữa chừng, không có huấn luyện sau, nên có thể so sánh hai phương pháp tinh chỉnh mà không phải tranh cãi về những gì mô hình nền đã biết.

Đánh giá của Baidu so sánh nó với ba mô hình nền mở có kích thước tương đương — DeepSeek-V4-Flash-Base (284B-A13B), Hy3-preview-Base (295B-A21B) và MiMo-V2.5-Base (310B-A15B) — dưới cùng một harness, cùng một bộ prompt và cùng một judge, trên 30 benchmark thuộc bảy nhóm. Đó là một phép so sánh được kiểm soát tốt hơn hầu hết các bảng ra mắt, và nó vẫn do nhà cung cấp tự thực hiện. Tuyên bố kiến trúc đáng chú ý nhất cần biết: 37 trong số 43 lớp thực hiện attention trên một chuỗi được nén 128×, và Baidu nói rằng sáu lớp MLA là đủ để duy trì hiệu năng ngữ cảnh dài. Nếu điều đó đứng vững dưới kiểm thử độc lập, thì đó là điều thú vị nhất trong bản phát hành — một phép nén 128× mà không làm mất khả năng truy xuất ngữ cảnh dài.

Điều đáng lưu ý nằm ở giấy phép, và đây không phải là chuyện nhỏ. ERNIE 5.5 Flash Base Model License Agreement v1.0 định nghĩa Lãnh thổ là "tất cả các khu vực địa lý trên toàn thế giới ngoài Liên minh châu Âu, Vương quốc Anh và Hàn Quốc", đồng thời yêu cầu không được sử dụng, phân phối hoặc hiển thị các tài liệu này bên ngoài lãnh thổ đó. Được sử dụng thương mại miễn phí khi doanh thu hằng năm từ các sản phẩm liên quan dưới 50 triệu USD, với điều kiện gửi thông báo một lần và hiển thị rõ "Powered by ERNIE" trên giao diện người dùng, trang web, trang giới thiệu hoặc tài liệu sản phẩm. Trên 50 triệu USD, bạn cần có sự chấp thuận trước bằng văn bản riêng của Baidu trước khi vượt ngưỡng, và việc sử dụng phải bị tạm dừng nếu bạn vượt ngưỡng mà không có sự chấp thuận đó.

Vậy nên cách diễn đạt trung thực về checkpoint 280B "miễn phí" là: được tải xuống miễn phí ở mọi nơi ngoài ba khu vực pháp lý, được dùng thương mại miễn phí đến một ngưỡng doanh thu, và kèm theo nghĩa vụ về thương hiệu mà hầu hết các nhóm sản phẩm sẽ nhận thấy trên trang marketing của họ trước khi nhận thấy trong giấy phép.

Chọn cái nào là tùy vào việc bạn đang làm gì.

Chọn Ling-3.2-flash nếu công việc mang tính thị giác và bạn cần câu trả lời trong tháng này. Trích xuất tài liệu khi bố cục quan trọng, tác nhân UI điều khiển bằng ảnh chụp màn hình, chuyển bản vẽ sang 3D, phân loại ưu tiên hình ảnh y tế, bất kỳ trường hợp nào mô hình phải tự kiểm tra đầu ra đã kết xuất của chính nó. API có dạng OpenAI, nên việc tích hợp chỉ là thay đổi base-URL, và cửa sổ miễn phí hai tuần nghĩa là việc đánh giá không tốn gì ngoài thời gian của bạn. Chưa đưa nó vào đường dẫn sản xuất: chưa có giá công bố, chưa có điểm số độc lập, không có trọng số và không có nhà cung cấp dự phòng.

Hãy chọn ERNIE-5.5-Flash-Base nếu bạn có năng lực hậu huấn luyện và một lĩnh vực chuyên biệt. Một mô hình nền 280B-A14B với kiến trúc được tài liệu hóa, các recipe SGLang và vLLM đang hoạt động, bản dựng FP8 và BF16, cùng một ví dụ tinh chỉnh Megatron-Bridge là tài sản thực sự cho một nhóm muốn có mô hình của riêng mình. Hãy kiểm tra điều khoản Lãnh thổ đối chiếu với pháp nhân của bạn trước khi bắt đầu, chứ không phải sau đó. Và đừng đánh giá nó như một mô hình trò chuyện — nó tiếp tục văn bản, không trả lời yêu cầu, nên mọi so sánh tuân theo chỉ dẫn với Ling-3.2-flash là đang đo sai thứ.

Nếu điều bạn thực sự muốn là một ERNIE hoàn chỉnh để gọi, hãy chờ. Baidu nói rằng ERNIE 5.5 Flash đã qua post-training sắp ra mắt, và cho đến khi nó xuất hiện thì không có ERNIE 5.5 được lưu trữ trên bảng giá của Qianfan — danh sách quốc tế chúng tôi đọc hôm nay có ERNIE 5.1, ERNIE 5.0 và ERNIE 4.5 Turbo, không có dòng 5.5.

Cả hai đều không có trong danh mục của chúng tôi — đây là những gì hiện có

Nói thẳng về định tuyến: chúng tôi đã đọc lại danh mục OrcaRouter vào ngày 6 tháng 11 và nó trả về 215 mã định danh mô hình. Không có mục Ling, inclusionAI, Ring hay ERNIE nào trong đó; các kết quả khớp "ling" duy nhất là các mô hình video Kling. Vì vậy, so sánh này không phải là lựa chọn giữa hai thứ mà một khóa đã tiếp cận được.

Điều mà một khóa tiếp cận được, theo giá niêm yết của nhà cung cấp và không cộng thêm, là những mô hình đảm nhận cùng hai công việc. Đối với công việc thị giác có mức giá công bố, Qwen3.8-Flash là 0,15 USD cho mỗi triệu đầu vào và 0,47 USD cho mỗi triệu đầu ra. Đối với các agent văn bản giá rẻ ở quy mô lớn, DeepSeek V4.1 Flash là 0,15 USD và 0,60 USD, còn GLM-5.3-Flash là 0,15 USD và 0,50 USD. Cả ba đều nhận yêu cầu có định dạng OpenAI, vì vậy một tích hợp Ling-3.2-flash được chuyển sang chúng chỉ là thay đổi chuỗi mô hình chứ không phải viết lại — điều này quan trọng khi cửa sổ miễn phí đóng lại mà bạn vẫn chưa có bảng giá.

Đó cũng là lý do nên đặt một router phía trước một bản tinh chỉnh ERNIE tự lưu trữ thay vì trỏ thẳng ứng dụng của bạn vào cụm của riêng bạn: một endpoint, một khóa, và failover tự động sang một mô hình được lưu trữ khi GPU của bạn bị bão hòa hoặc bản triển khai của bạn đang cuốn chiếu. DSL định tuyến kết hợp nhiều mô hình thành một lệnh gọi duy nhất, đó là cách bạn chạy một mô hình thị giác và một mô hình văn bản như một bước thay vì hai bước.

Điều cần chú ý

Cả hai bản phát hành đều dang dở theo hai hướng trái ngược, và cả hai khoảng trống đều chỉ được lấp theo lịch của người khác. Ant còn nợ một bảng giá, một thẻ mô hình và — nếu quy luật của năm 2026 vẫn đúng — một checkpoint theo giấy phép MIT. Baidu còn nợ ERNIE 5.5 Flash đã qua post-training, và còn nợ một tuyên bố rõ ràng hơn về việc liệu điều khoản Lãnh thổ có áp dụng cho đầu ra của mô hình hay chỉ cho trọng số và các dẫn xuất của chúng, điều mà văn bản như được viết hiện nay gợi ý rằng rộng hơn phần lớn các nhóm sẽ giả định.

Cho đến khi một trong số đó xuất hiện, phép so sánh có một hình dạng đơn giản: Ling-3.2-flash là cái bạn có thể đánh giá ngay hôm nay và không thể lập ngân sách cho nó, còn ERNIE-5.5-Flash-Base là cái bạn có thể lập ngân sách và không thể gọi.