Baidu-дан ERNIE 5.5 Flash Preview: DeepSeek және GLM-мен салыстырамыз

Baidu компаниясы ERNIE 5.5 Flash Preview-ді ұсынды — бұл 280 млрд параметрі және 1 млн токенге дейінгі контекстік терезесі бар, бағдарламалауға, автоматтандыруға және ЖИ-агенттердің жұмысына бағытталған нейрожелі. Бенчмарктарда модель құжаттармен, кестелермен және құралдармен жұмыс істеуде жоғары нәтижелер көрсетіп, кейбір тесттерде тіпті Claude Opus 5.5 пен GPT-6.1 Sol-дан озып кетті, бірақ күрделі пайымдау тапсырмаларында олардан айтарлықтай артта қалып қойған. Baidu сондай-ақ автономды агенттердің көмегімен ойындар, 3D-модельдер және аналитикалық есептер жасауды көрсетті. Жаңа өнімнің басты артықшылығы — дамыған агенттік мүмкіндіктер мен API-дің салыстырмалы түрде төмен құнының үйлесімі, дегенмен оның нақты экономикалық тиімділігі әлі де тәуелсіз тексеруді қажет етеді.

Демонстрация кезінде жаңа өнім 11 сағат ішінде Unreal Engine 5.8-де ойын құрастырды, Blender және FreeCAD-те жұмыс істеді, көп беттік зерттеулер, қаржылық кестелер және бейнероликтер дайындады. Бұл модельге берілген бір сұраныс әзірлеушіні, инженерді немесе аналитикті автоматты түрде алмастырады дегенді білдірмейді: мысалдар құралдармен және дайын ресурстармен жабдықталған агенттік орталарда іске қосылды. Бірақ олар Baidu жаңа модельді қандай нарыққа бағыттағанын көрсетеді: тапсырманы қоюдан бастап нәтиже файлдарына дейін жобаны орындайтын автономды ЖИ-агенттер.

ERNIE-дің 280 млрд параметрі бар, оның ішінде әр токенде шамамен 14 млрд-ы белсенді, контексті бір миллион токенге дейін жетеді және генерация жылдамдығы 200 токен/сек-тан асады деп мәлімделді. Модель Baidu Qianfan арқылы қолжетімді. Әзірлеуші Preview салмақтарын (weights) Apache 2.0 лицензиясымен жариялауға уәде береді; қытайлық материалдарда 2026 жылғы 25 қарашаға дейінгі меже көрсетілген, алайда осы мақала жазылған күнге сәйкес салмақтар әлі шығарылған жоқ. [1], [2]

Тесттер бойынша басты мәліметтер: ERNIE Baidu жариялаған кестедегі барлық жеті модельдің ішінде AutomationBench, SpreadsheetBench V2 және MCP-Atlas бойынша көш бастап тұр. Бірақ Terminal-Bench-Science-те ол GPT-6.1 Sol-дың 57,0%-ы мен Claude Opus 5.5-тің 63,3%-ына қарсы 21,0% жинады. AA-Omniscience-Public-те де алшақтық үлкен: 52,8% бен 62,0%-ға қарсы 25,2%. Сондықтан оның күшті жағы — әмбебап интеллект емес, құралдармен жұмыс істеудің белгілі бір түрлері. [1]

ERNIE 5.5 Flash Preview-дің кәдімгі Flash-модельден айырмашылығы неде

Baidu жай ғана чатқа арналған модельдің жаңа нұсқасын шығарған жоқ. Preview — бұрын жарияланған ERNIE 5.5 Flash Base негізіндегі қосымша оқытудың (post-training) алғашқы кезеңі. Бұл ретте Baidu оны аралық бақылау нүктесі деп ашық атайды: қосымша оқыту жалғасуда, ал кейбір дағдылар тұрақсыз жұмыс істеуі мүмкін. [1]

280 млрд — бұл 280 млрд белсенді есептеу параметрімен бірдей емес. Mixture of Experts (Сарапшылар қоспасы) арқасында әр токенді генерациялауға блоктардың бір бөлігі ғана қатысады. Бұл барлық салмақтарды белсендірумен салыстырғанда есептеу шығындарын азайтады, дегенмен толық модельді тек 14 млрд параметрге арналған аппаратурада орналастыру мүмкін емес.

Қытайлық техникалық басылымдардың хабарлауынша, модельде multi-router MoE, гибридті сирек назар, бірнеше токенді болжауға арналған ECHO тәсілі және FP4 сарапшылық салмақтарын оңтайландыру қолданылады. Baidu Qianfan материалдарында FP4 пен генерацияны жеделдету механизмдері бөлек атап өтіледі. Бұл технологиялық шешімдер мәлімделген тиімділікті түсіндіреді, бірақ іс жүзіндегі жылдамдық пен тапсырманың сәтті орындалу құнын тексеру үшін тәуелсіз өлшемдер қажет. [2], [3]

Неліктен назар агенттік жүйелерге аударылды

Baidu мәліметтері бойынша, бағдарламалауды күшейту үшін 14 млн-нан астам орындалатын кодтық тапсырмалар мен әртүрлі агенттік фреймворктердің жұмыс траекториялары пайдаланылған. Кеңселік және салалық тапсырмалар үшін компания 300 мың жұмыс кеңістігін, 10 млн анықтамалық файлды және құжаттардың 40-тан астам түрін дайындады. Виртуалды кеңістіктердің бір бөлігінде ондаған файл, ал кейбірінде мыңдаған файл болды. [1], [2]

Бұл жай ғана сұрақтарға жауап беруге үйретуден маңызды айырмашылығы. Агент жоспар құруы, бағдарламаны шақыруы, аралық нәтижені тексеруі, қатені байқап, оны түзетуі тиіс. Baidu төмендегі жобаларда дәл осындай дағдыларды көрсетіп отыр.

Unreal Engine-дегі 11 сағат: модель экранды көрмей-ақ ойын жазып шықты

Ең әсерлі демонстрация — Yunxiu Xing, Unreal Engine 5.8-дегі уся (wuxia) жанрындағы үшінші жақтан ойналатын ойын. Бір 11 сағаттық агенттік іске қосу кезінде ERNIE Unreal Engine-нің әртүрлі буындарына дайындалған ресурстарды біріктіріп, C++ тілінде ойын кодын жазды. Сахнада Чжанцзяцзе тау ландшафты мен кейіпкердің сыртқы модельдері қолданылды. [1]

Әсіресе, модельдің қателерді қалай түзеткені қызықты. ERNIE 5.5 Flash Preview — мәтіндік модель, ол ойын экранындағы кескінді өзі көрмейді. Сондықтан тесттеу кезіндегі мәселелер — кейіпкердің жерден жоғары қалықтап тұруы, жүгіру бағытының басқарумен сәйкес келмеуі, камераның дұрыс тұрмауы — тексерілетін бағдарламалық шарттарға аударылды. Итерациялар барысында тесттер жинақталып, ойын механикалары өзгеріп отырды.

Бұл әдеттегі «ЖИ промпт бойынша код жазды» дегеннен әлдеқайда қызықтырақ: тапсырма бір реттік жауап генерациялауда емес, жұмыс істеп тұрған жобаны ұзақ уақыт бойы түзетуде болды. Сонымен қатар, жарияланған видео — бұл тәуелсіз тексеруден өткен бақылау эксперименті емес, әзірлеушінің демонстрациясы.

Екінші демонстрация — дайын ойын дизайны құжаттары бойынша жасалған 100-ге жуық мобильді мини-ойын. Мұнда Cocos, Unity, LayaAir, PixiJS және Canvas 2D қолданылды; жарияланған видеода 24 жоба көрсетілген. Жанрлар арасында — tower defense, roguelike, жарыс ойындары, карталық RPG және басқатырғыштар бар. Көп жағдайда ережелер визуалды бейнелеуден бөлектелді: алгоритмдер деңгейлердің өту мүмкіндігі мен теңгерімді (балансты) тексерді.

Бұл қайда қолданылуы мүмкін: ойынның жылдам прототиптері, механикаларды тексеру, қосымша жүйелерді генерациялау, жобаларды қозғалтқыш нұсқалары арасында көшіру. Сақтық қажет тұстар: код қауіпсіздігі, ойын теңгерімінің сапасы және ірі репозиторийлердің тұрақтылығы әлі де қолмен тексеруді талап етеді.

Blender және CAD: ИЖ инженерлік процестің үйлестірушісі ретінде

Baidu модельді Blender және CAD-пен жұмыс істеуге, соның ішінде кеңістіктік ойлауға, процедуралық модельдеуге және дайын ресурстарды қайта пайдалануға арнайы оқытты. [1]

Әуежай және авиалайнер. ERNIE негізіндегі екі агент Blender Python API арқылы жобаның әртүрлі бөліктерін салды: бірі — әуежайды, екіншісі — ұшақты. Жүйе геодеректерді тауып, сыртқы модельдер мен текстураларды таңдады, терминалды, ұшу-қону жолағын, фюзеляжды және интерьерлерді тұрғызды, содан кейін масштабтар мен ракурстарды келістірді. Рендеринг үшін Cycles пен OptiX, ал роликті жинау үшін FFmpeg пайдаланылды. Бұл «мәтіннен 3D-ны сиқырлы түрде жасау» емес, құралдарды үйлестіру мен сахнаны дәйекті түрде жинаудың мысалы.

Хорю-дзи ғибадатханасы. Тағы бір агент жапондық ғибадатхана кешенінің жоспарын зерттеп, оны Blender-де элементтер бойынша жинады: көп қабатты шатырлар, бағаналар, көпірлер, бақтар, су қоймасы және материалдар. Жұмыста сыртқы ашық ассеттер қолданылды.

W16 қозғалтқышы. FreeCAD-те модель цилиндрлердің, иінді біліктің, поршеньдер мен шатундардың өңделетін геометриясын жасады. Демонстрация иінді білік айналған кездегі механизмнің қозғалысын көрсетеді. Тағы екі CAD-мысалы — Шэньчжэньдегі Baidu ғимаратының және тербелмелі аспасы мен жиналмалы күн панельдері бар ай жүргішінің модельдері.

Бұл жерде ең маңыздысы — нәтиже тек әдемі рендер емес, одан әрі өңдеуге жарамды файлдар мен геометрия екендігінде. Сонымен қатар, Baidu инженерлік дәлдікті, рұқсаттарды және өндірістік стандарттарға сәйкестікті тәуелсіз бағалауды ұсынбайды.

Кестелер, қаржылық модельдер және зерттеулер: ең практикалық сценарий

Кеңселік тапсырмаларда Baidu нәтиженің үш түрлі түрін көрсетеді:

1. The AI Power Bill — АҚШ-тағы ИЖ деректерді өңдеу орталықтарының электр энергиясы шығындары туралы 20 слайдтан тұратын зерттеу презентациясы. Модель көптеген жария дереккөздер тобын синтездеді, шығындарды бөлу сценарийлерін салыстырды және диаграммалар мен есептеу әдістемесін қосты.
2. LIFEWEALTH — жеке қаржылық жоспарлауға арналған 10 парақтан тұратын Excel файлы. Ол табыстарды, шығыстарды, активтерді, қарыздарды және зейнетақы сценарийлерін біріктіреді, сондай-ақ жинақтардың жетіспеу қаупін бағалау үшін 1000 кездейсоқ Монте-Карло траекториясын пайдаланады.
3. Driverless, by the Numbers — Waymo және Tesla FSD туралы 24 беттік аналитикалық есеп. Baidu сипаттамасы бойынша, жүйе 4169 федералдық апат туралы хабарламаны өңдеп, қайталануларды жойды және әртүрлі дереккөздердің көрсеткіштерін салыстырды.

Бұл — тапсырманы қорытынды жұмыс артефактісі арқылы қоюдың жақсы мысалдары: презентация, электрондық кесте, есеп. Бірақ жарияланған мысалдар әр файлдағы деректер мен тұжырымдардың қатесіз екенін дәлелдемейді. Бұл әсіресе қаржылық модельдер мен автомобиль қауіпсіздігін талдауға қатысты.

Ықтимал қолданбалы сценарийлер — есептілікті дайындау, техникалық тапсырма бойынша кестелер құру, бухгалтерлік және заңгерлік құжаттарды талдау, корпоративтік білім базаларымен жұмыс және тұрақты аналитикалық шолулар. Мұнда SpreadsheetBench V2, OfficeQA Pro V2 және AutomationBench тесттерінің нәтижелері ерекше маңызды.

Видео, 2D-анимация және музыка — меншікті видеомодальділіксіз

Baidu контент жасау тапсырмалары үшін мыңнан астам дағдыны және шамамен 5300 минуттық дайын видеоны қамтитын 150 мыңнан астам виртуалды шығармашылық орта дайындағанын мәлімдейді. [1]

The Pelican Test мысалында модель екі минуттық (116 секунд) анимация үшін 10 мыңнан астам Python кодының жолын жазды. Пеликан 20 көркем стиль арқылы өтеді, ал кескіндер Pycairo көмегімен жасалып, NumPy/Pillow арқылы өңделеді. Кейбір кезеңдерде сыртқы кескін генераторлары тартылған.

Сондай-ақ «ұшатын» автомобильдің физикасы туралы ғылыми-танымал ролик бар, онда агент сценарийді, дыбыстауды, визуалды эффектілерді және күштер диаграммасын байланыстырады. Baidu сонымен қатар ұзақтығы 6 минут 34 секунд болатын, WAV форматында шығарылған Beyond the Event Horizon атты түпнұсқа оркестрлік композициясын ұсынады.

Модельдің рөлін шатастырмау маңызды: ERNIE 5.5 Flash Preview өздігінен видеогенератор немесе мультимодальді редакторға айналмайды. Ол кодты, бағдарламаларды және арнайы генераторларды басқарады. Бұл болашақ шығармашылық ассистенттің ықтимал архитектурасы, бірақ бүкіл процестің құны мен сапасы қосылған құралдарға байланысты.

Как ERNIE выглядит на фоне дорогих флагманов: шесть наглядных сравнений

Диаграмма екі қарама-қарсы көріністі ашады. Қолданбалы автоматизацияда ERNIE күтпеген жерден күшті көрінеді: AutomationBench-те 61,9, SpreadsheetBench V2-де 36,4, AutomationBench-те 84,6 — бұл Baidu жариялаған кестедегі екі флагмандық модельдің нәтижелерінен де жоғары. OfficeQA-да ол GPT-6.1 Sol-дан қалыс қалады (70,0-ге қарсы 67,9), бірақ Opus 5.5-тен (62,2) озып кетеді.

Керісінше, Terminal-Bench-Science-те ERNIE 21,0 ұпай жинаса, GPT-6.1 Sol мен Opus 5.5 тиісінше 57,0 және 63,3 ұпай жинаған. AA-Omniscience-Public тестінде алшақтық тіпті айқынырақ: 25,2-ге қарсы 52,8 және 62,0. Бұл — ойлау тереңдігі мен күрделі шектеулермен жұмыс істеу маңызды болатын тесттер. Демек, ERNIE-ді флагмандардың әмбебап алмастырушысы деп санауға болмайды, әсіресе ең қиын зерттеу және ғылыми-техникалық тапсырмалар үшін.

Ескертпе: жұлдызшасы бар мәндер тәуелсіз тексеруді емес, Baidu жүргізген өлшеуді білдіреді. Әртүрлі модельдер әртүрлі агенттік қондырмаларды қолданған болуы мүмкін, ал кейбір тесттерде әзірлеуші өз іске қосуларының нәтижелерін сыртқы есептердегі нәтижелермен салыстырған.

Программирование: хороша на терминальных задачах, слабее в исправлении кода

Hy4, DeepSeek V4.1 Flash 1017, GLM-5.3 Flash және GLM-5.3-пен салыстырғанда, жаңа модель Terminal-Bench 4.0-де 46,5% көрсетеді, бұл Baidu салыстыруында қабылданған мәндер бойынша аталған төрт бәсекелестен жоғары. ProgramBench-те оның көрсеткіші — 29,5%, бұл да жақын қарсыластарынан сәл жақсырақ. Terminal-Bench-Science-те оның 21,0%-ы басқа Flash-модельдердің көрсеткіштерінен жоғары, бірақ флагмандардан айтарлықтай төмен.

Бірақ DeepSWE v1.1 бұл жетістікті анық шектейді: ERNIE-де 71,2%, DeepSeek-те 77,0%, Hy4-те 74,9%, GPT-6.1 Sol-да 75,2%. Бұл тест қолданыстағы бағдарламалық жобаны түзету үшін өте маңызды. NL2Repo бойынша ERNIE 64,8 ұпай жинап, Hy4-тен (65,8) сәл төмен және Baidu-дың жеке тестіндегі DeepSeek-тен (62,7) жоғары нәтиже көрсетті.

Қорытынды: ERNIE-ді терминалдық әрекеттер, ойын прототиптерін жасау және жеке компоненттерді жинау үшін пайдаланып көруге болады; қолданыстағы репозиторийлермен жұмыс істеу үшін DeepSeek және Hy4-тің мықты артықшылықтары сақталады. Ойынның демо-нұсқасы DeepSWE нәтижесін жоққа шығармайды: бір сәтті ұзақ іске қосу мен жаппай тапсырмалар жиынтығындағы тұрақтылық — екі бөлек нәрсе.

Құжаттар және кеңсе автоматизациясы: бұл жерде ERNIE шынымен де ерекшеленеді

AutomationBench-те ERNIE 61,9 ұпай алады, Opus 5.5-те — 58,0, DeepSeek-те — 57,2, Hy4-те — 55,2. SpreadsheetBench V2-де модель 36,4 ұпаймен Opus-тың 35,1 ұпайынан басым түсіп, көш бастап тұр. OfficeQA Pro V2-де 70,0 ұпаймен GPT-6.1 Sol көш бастап тұр, ал ERNIE 67,9 ұпаймен келесі орында.

Басқа кеңселік тест, DRACO, кері нәтижені көрсетеді: мұнда Hy4 жоғарырақ (90,7), Opus та алда (87,9), ал ERNIE 84,9 ұпай жинайды. Демек, «құжаттарда мықты» дегенді «кез келген кеңсе тапсырмасын бәрінен жақсы шешеді» деген тұжырымға айналдыруға болмайды. Бенчмарктер жұмыстың әртүрлі компоненттерін өлшейді.

Агенттік бенчмарктер: көп нәрсе құрал-саймандарға байланысты

MCP-Atlas-та ERNIE 84,6 ұпаймен Opus-тан (84,2) және Hy4-тен (83,0) озып тұр. Бұл агент MCP арқылы сыртқы бағдарламаларға жүгінетін жүйелер үшін жағымды белгі.

Бірақ APEX-Agents 1.1-де Hy4 айтарлықтай алда (ERNIE-дің 64,2 ұпайына қарсы 75,0), ал BrowseComp-та да Hy4 көш бастап тұр (87,4-ке қарсы 91,8). Agents’ Last Exam (CLI)-де DeepSeek ERNIE-дің 29,0 ұпайына қарсы 35,2 алады.

Сонымен қатар, APEX-Agents-те модельдердің бір бөлігі визуалды бақылауларды мәтіндік сипаттамалармен алмастыру арқылы бағаланды; басқа тесттерде Claude Code және Codex-тің әртүрлі нұсқалары қолданылды. Бұл «жеті модель бірдей жағдайда» деген толық стандартталған турнир емес, сондықтан нәтижелерді түпкілікті рейтинг емес, бағдар ретінде қарастырған жөн.

Тұжырымдау: флагмандармен әсерлі контраст

AA-Omniscience-Public-те ERNIE ең жақын үш Flash-модельден озып тұр, бірақ жарияланған ұпай бойынша Claude Opus 5.5-тен екі еседен астам артта қалып қойған. ERNIE-де AA-LCR v1.1 — 79,0; мұнда флагмандар жақынырақ, ал бәсекелестердің нәтижелері көпшілікке ашық бағалаулармен де, Baidu өлшемдерімен де ұсынылған.

HLE (without tools) жолында нәтижелердің бір бөлігі тек мәтіндік (text-only) іріктемені білдіретін † таңбасымен белгіленген. Оларды HLE-нің толық іріктемесі бойынша ұпайлармен араластыру және бірыңғай тест ретінде саралау дұрыс емес. Сондықтан HLE кестеде толық сақталған, бірақ жаңсақ пікір тудыратын салыстырмалы графикке айналдырылмаған.

Baidu-дың толық кестесі: 20 тест және 7 модель

Бұл қысқартылған таңдама емес. Барлық жолдар мен сандық мәндер ресми қосымшаның скриншотынан алынған; *, † және 44.4 / 42.4* сияқты жұптар сақталған.

Белгілер: * — Baidu-дың өз өлшеу нәтижесі; белгісіз — модельді әзірлеушінің есебінен немесе ашық рейтингтен алынған көрсеткіш; † — HLE мәтіндік ішкі таңдамасы. / арқылы берілген жұпта сол жақтағысы — сыртқы есеп көрсеткіші, оң жақтағысы — Baidu-дың қайталама өлшеу нәтижесі. Барлық модельдер қолжетімді пайымдау деңгейінің ең жоғарғы мәнімен сыналды, бірақ фреймворктер мен тест шарттары барлық жағдайда сәйкес келе бермеді.

Baidu-дың түпнұсқа кестесі (PNG): толық бастапқы скриншот. Онда әр тестке арналған түсініктемелер, соның ішінде орта нұсқалары, бағалау әдістері және құралдарды пайдалану ерекшеліктері берілген.

Түпнұсқа қосымшадан алынған маңызды техникалық ескертпелер

Бұл барлық жолдар үшін бірыңғай стенд емес: әртүрлі іске қосу жүйелері, қадам лимиттері және төреші модельдер қолданылды. Төменде Baidu-дың барлық 20 методологиялық түсініктемесі кесте ретімен қысқаша сақталған.

1. Terminal-Bench 4.0: GPT-6.1 Sol көрсеткіші Artificial Analysis-тен алынған; қалған модельдер Claude Code 2.1.246 нұсқасымен сыналды.
2. DeepSWE v1.1: манипуляцияларға қарсы ережелері бар mini-swe-agent 2.4.6; 8 CPU және 16 ГБ жады бар оқшауланған орта (песочница).
3. ProgramBench: Almost Solved нұсқасы қолданылады; Claude Code 2.1.246 агенттік ортасы, бірақ басқа модельдер үшін кейде олардың жеке есептеріндегі орталар пайдаланылды.
4. NL2Repo: Claude Code 2.1.226; күмәнді құрал шақырулары ережелермен және LLM-төрешімен блокталды.
5. Terminal-Bench-Science 0.1: Claude Code 2.1.246.
6. CookieBench: 1000 React-тапсырма, Cookie негізі (13 құрал, максимум 80 қадам), ресми тексеру модулі және Qwen3.8-Max бағалауы.
7. BlenderWorld: тек 78 мәтіндік тапсырма; Blender 4.2.10, бір тапсырмаға 24 сағатқа дейін, Claude Code 2.1.220 және төреші рөлінде Qwen3.8-Max. Мәтіндік модельдер үшін кескіндерді Claude Opus 5.5 негізіндегі сыртқы құрал сипаттап берді.
8. AutomationBench: 1.0.6 нұсқасының ашық ішкі таңдамасы, әдепкі баптаулары бар ресми стенд.
9. APEX-Agents 1.1: бір агентке максимум 100 қадам және 10 800 секунд; мәтіндік модельдер үшін визуалды нәтижелер мәтіндік белгілермен (заглушка) алмастырылды. DeepSeek 100 қадам шектеуімен 43,9 алды, ал шектеу 500 қадамға дейін жеңілдетілгенде — 71,7; сондықтан конфигурация бағалауға айтарлықтай әсер етеді.
10. DRACO: GPT модельдері Codex 0.162.1-де, қалғандары — Claude Code 2.1.296-да іске қосылды; максимум 4 сағат және 1000 агент қадамы, төреші — Claude Opus 5.
11. SpreadsheetBench V2: GPT үшін Codex, DeepSeek үшін DSH, басқалары үшін — Claude Code 2.1.138 пайдаланылды; веб-іздеу өшірілген, визуализацияны бағалау Qwen3.8-Max арқылы жүргізілді.
12. OfficeQA Pro V2: ұқсас әртүрлі агенттік орталар; веб-іздеу өшірілген, WebFetch рұқсат етілген домендермен шектелген; Opus ұпайы Kimi K3.1 Pro есебінен алынды.
13. Agents' Last Exam (CLI): тек CLI ішкі таңдамасы, бір тапсырмаға 5 сағаттан; GPT Codex-те, Opus және басқа модельдер — Claude Code-тың әртүрлі нұсқаларында.
14. SkillsBench 1.1: 9 мультимодальды тапсырманы есептемегенде 78 мәтіндік тапсырма, бір тапсырмаға 6 сағатқа дейін; GPT және басқалары үшін әртүрлі іске қосу орталары пайдаланылды.
15. Toolathlon-Verified: максимум 200 қадам және 7200 секунд, GitHub-тан жауап іздеуден және контейнерден тыс шығудан қорғау.
16. MCP-Atlas: ресми релиздің ашық таңдамасы, 500 тапсырма, стандартты баптаулар.
17. BrowseComp: GPT, DeepSeek және басқаларында әртүрлі орталар; 4 сағатқа және 1000 қадамға дейін, төреші — DeepSeek V4.1 Flash 1017.
18. HLE: † мәтіндік ішкі таңдаманы білдіреді, төреші — Gemini 3.1 Flash-Lite. Толық таңдама бойынша ұпайлармен салыстыру шектеулі.
19. AA-Omniscience-Public: 600 тапсырмадан тұратын ашық таңдама, төреші — Gemini 3.1 Flash-Lite.
20. AA-LCR v1.1: төреші — DeepSeek V4 Flash.

Неліктен барлық 20 бенчмаркті механикалық түрде орташаламау керек

Кейбір тесттер бағдарламалауды, басқалары — веб-іздеуді, үшіншілері — кестелерді немесе ғылыми пайымдауды бағалайды. Олардың күрделілігі мен шкалалары әртүрлі, ал бәсекелестер үшін мәндердің бір бөлігі бірдей жағдайларда алынбаған. Барлық 20 пайызды қосып, дәлелденген «интеллект индексін» алу мүмкін емес. Жиынтық рейтинг үшін тесттер бойынша нормализация, алдын ала анықталған салмақтар, құралдардың бірдейлігін бақылау және тәуелсіз сынақтар қажет болар еді.

Бірыңғай индекссіз де кесте түсінікті көрініс береді. ERNIE тізімдегі модельдер арасында AutomationBench, SpreadsheetBench V2 және MCP-Atlas бойынша бірінші орында. Сонымен қатар, DeepSWE-де DeepSeek мықтырақ, APEX-Agents және BrowseComp-та — Hy4, ал күрделі ғылыми пайымдауда флагмандық GPT және Claude көш бастап тұр.

ERNIE қанша тұрады: Baidu-дың юань және доллармен ресми тарифтері

Baidu Qianfan-да миллион токен үшін акциялық және стандартты бағалар көрсетілген, күндізгі (08:00–22:00) және түнгі (22:00–08:00) сағаттар үшін бөлек. Жарияланым күнінде 50% жеңілдікпен акция қолданыста; тариф кестесінің өзінде сағат белдеуі белгіленбеген. Сондықтан сағатты автоматты түрде мәскеулік немесе еуропалық уақытқа аударудың қажеті жоқ. [4]

Бағам: 2026 жылғы 12 қараша, шамамен ¥1 = $0,14997. Доллармен көрсетілген мәндер — Baidu-дың жеке долларлық тарифі емес, бағам бойынша бағдарлы валюталық есептеу. [5]

Мысал ретінде, 200 мың жаңа кіріс және 50 мың шығыс токенін жұмсаған бір агенттік іске қосу акциялық күндізгі мөлшерлеме бойынша ¥0,40 ≈ $0,060 (0,2 × ¥1 + 0,05 × ¥4) тұрады. Түнгі мөлшерлеме бойынша — ¥0,20 ≈ $0,030. Есептеуде қосымша құралдар, рендеринг, қайта іске қосу және басқа да шығындар ескерілмеген.

Промоакция аяқталуы, ал тарифтер өзгеруі мүмкін.

DeepSeek және GLM-мен салыстырғанда ERNIE 5.5 Flash Preview қанша тұрады

Бағалар қимасы: 2026 жылғы 12 қараша. API тарифтері тікелей әзірлеушілерден — Baidu Qianfan, DeepSeek және Z.ai-дан алынып салыстырылады. Барлық сомалар 1 млн токен үшін көрсетілген. 12.11.2026 күнгі $1 = ¥6,67035 бағамы бойынша қайта есептелген; жақша ішіндеғы сомалар шамамен берілген.

Шарттар: Baidu 2026 жылғы 30 қараша, сағат 23:59:59-ға дейін (Қытай уақытымен) 50% жеңілдік береді; шұғыл сағаттар — 08:00–22:00 (Бейжің). Акциядан кейін ERNIE-дің шұғыл тарифтері 1 млн қалыпты кіріс / кэштелген кіріс / шығыс токендері үшін ¥2 / ¥0,20 / ¥8 құрайды; шұғыл емес уақытта — ¥1 / ¥0,10 / ¥4. DeepSeek-те шұғыл сағаттар — жұмыс күндері 01:00–04:00 және 06:00–10:00 UTC, Қытайдың мемлекеттік мерекелерінен басқа уақыт; қалған уақытта шұғыл емес тариф қолданылады. Z.ai аталған модельдер үшін күндізгі және түнгі тарифтерді бөлмейді.

Қорытынды. Акция кезінде Baidu ERNIE, кэштелмеген токендердің шығыны бірдей болғанда және тиісті тарифтік кезеңдерді салыстырғанда, DeepSeek V4.1 Flash 1017-ден арзанырақ болып шығады. Сонымен қатар, DeepSeek-те кэштелген кіріс айтарлықтай арзан, ал GLM-5.3-Flash шұғыл сағаттардағы шығыс токендері бойынша ERNIE-ден арзан. Жеңілдік аяқталғаннан кейін ERNIE-дің кэштелмеген токендер бойынша DeepSeek-тен бағалық артықшылығы жоғалады.

Маңызды: бұл диаграмма тапсырманы сәтті шешудің нақты құнын емес, тіркелген шығын кезіндегі бір рет іске қосу құнын салыстырады. Агенттік сценарийлерде модельдер токен шығыны, құралдарды шақыру саны және қайта әрекеттенуі бойынша ерекшеленуі мүмкін. Экономикалық тиімділікті салыстыру үшін,

Әзірге ERNIE 5.5 Flash Preview мен оның тікелей бәсекелестерін бірдей агенттік жағдайларға қойып, тапсырманы сәтті орындау құнын бағалайтын салыстырмалы тәуелсіз зерттеу жоқ.

Жаңа модель шын мәнінде қай жерде қолданыс таба алады

Әзірге не белгісіз және неге назар аудару керек

1. Тәуелсіз кешенді салыстыру жоқ. Baidu жариялаған тесттер пайдалы, бірақ бұл мүдделі тараптың деректері.
2. Preview — аяқталған модель емес. Baidu қосымша оқытудың ықтимал кемшіліктері туралы ашық ескертеді.
3. Мәтіндік модель визуалды көмекшілерді пайдалануы мүмкін. Ол 3D-сахнаны немесе роликті құрастырғанда, визуалды қабылдау ERNIE-дің өзімен емес, бөлек құралмен қамтамасыз етілуі мүмкін.
4. Миллион токен — бұл лимит, мінсіз жадының кепілі емес. Ұзын құжаттар үшін іздеу, сілтемелер және фактілерді біріктіру дәлдігін әлі де бағалау қажет.
5. Салмақтары әлі жарияланған жоқ. Apache 2.0 туралы мәлімдемелер мен белгіленген күнді репозиторий мен лицензияның нақты шығарылымымен растау керек.
6. Ресми жылдамдық 200+ токен/с — әзірлеушінің мәлімдемесі. Нақты кідіріс пен өнімділікті өз жүктемеңізде өлшеу керек.

Қорытынды: Baidu Flash-моделін сұхбаттасушы емес, орындаушы етуге тырысуда

ERNIE 5.5 Flash Preview-дің басты интригасы — 280 млрд параметр немесе токеннің төмен бағасы емес, автономды жұмыс процестеріне жасалған ставка. Модель код жазып, оны тестілеуі, Blender/FreeCAD-ті басқаруы, есептер мен кестелер жинауы, шығармашылық құралдарды үйлестіруі және тапсырмаларды файлдық нәтижеге дейін жеткізуі тиіс.

Baidu жариялаған бенчмарктер бұл мамандануды ішінара растайды: ERNIE-де автоматтандыру, кестелер және MCP құралдарында күшті нәтижелер бар, кейде тіпті қымбат флагмандардың көрсеткіштерінен де жоғары. Сонымен қатар, ол бірқатар күрделі ғылыми және интеллектуалдық тесттерде флагмандардан айтарлықтай қалып қояды және кодты түзету немесе іздеу агенттерінде кейбір Flash-бәсекелестеріне есе жібереді.

Сондықтан жаңа релиз «ең ақылды қытайлық нейрожелі» ретінде емес, арзан әрі ұзақ өмір сүретін агенттерге үміткер ретінде қызықтырақ. Келесі маңызды кезең — салмақтарды жариялау, тәуелсіз сынақтар және нақты жобалардағы сәтті орындалған жұмыс құнын өлшеу.

---

Дереккөздер және методология

1. Baidu, 11.11.2026. ERNIE 5.5 Flash Preview ресми анонсы — архитектура, демонстрациялар, 20 бенчмарктен тұратын толық кесте және методологиялық ескертулер.
2. Baidu Intelligent Cloud. ERNIE 5.5 Flash Preview ресми өнім беті — оқыту деректері, контекст, жылдамдық, сценарийлер және шығарылым параметрлері.
3. IT Home, 11.11.2026. Hybrid sparse attention, multi-router MoE, ECHO және ERNIE Evolve технологияларының сипаттамасы. Ашық ағылшын тілді жазбада келтірілмеген техникалық мәліметтер дереккөзге сілтеме жасай отырып берілген.
4. Baidu Qianfan, ресми құжаттама. Модельдік инференция тарифтері — мың токен үшін юаньмен көрсетілген бағалар, мақалада миллионға қайта есептелген.
5. Twelve Data. 12.11.2026 күнгі CNY/USD бағамы — ¥1 ≈ $0,14997.
6. Van Data Team. ERNIE сыртқы бенчмарктерінің мониторингі — мақаланы дайындау кезінде тәуелсіз бағалаулардың болмауы; әзірлеушінің деректері сыртқы өлшемдерден бөлінген.

Бастапқы сандар туралы: ресми кестеде жұлдызша Baidu-дың өз өлшемін білдіреді; † — HLE шектелген text-only іріктемесін білдіреді. Екі сан болған жағдайда біз кестеде екеуін де сақтадық, ал графиктерде Baidu өлшеген оң жақтағы мәнді * белгісімен көрсетеміз. Бұл барлық нәтижелерді толықтай салыстыруға мүмкіндік бермейді: агенттік фреймворктер, нұсқаулар, іске қосу орталары мен төрешілер арасындағы айырмашылықтар сақталады.