AnswersPublished18 sources
Baidu zveřejnilo základní model ERNIE 5.5 Flash Base
Baidu vydalo ERNIE 5.5 Flash Base 5. listopadu 2026. Jde o checkpoint po předtrénování, bez následného mezitrénování či dodatečného trénování.
PublikovalUpraveno pomocí GPT-6 LunaObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- Baidu vydalo ERNIE 5.5 Flash Base 5. listopadu 2026.
- Jde o checkpoint po předtrénování, bez následného mezitrénování či dodatečného trénování.
- Baidu uvádí podporu kontextu až 1 milion tokenů při dolaďování a inferenci. Modelové výsledky jsou v některých testech silné, ale nejde o nezávislé ověření ani o vítězství ve všech srovnáních.[4][7][32]
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did Baidu announce on November 5, 2026, with its Hugging Face release of ERNIE-5.5-Flash-Base, and how do its 280B total and 14B active. Article summary: Baidu announced the Hugging Face release of ERNIE-5.5-Flash-Base on November 5, 2026: a downloadable, text-only mixture-of-experts base model with 280 billion total parameters and 14 billion activated per token.[3][4] Th. Topic tags: general, general web, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
Baidu 5. listopadu 2026 zveřejnilo na platformě Hugging Face model ERNIE-5.5-Flash-Base. Jde o textový základní model typu mixture of experts (MoE), který má celkem 280 miliard parametrů, ale při zpracování každého tokenu aktivuje 14 miliard. Baidu uvádí, že model od začátku předtrénovalo na 33,5 bilionu tokenů.1
3
6
Rozdíl mezi čísly 280 a 14 miliard je podstatný: první vyjadřuje celkovou kapacitu modelu, druhé počet parametrů zapojených při zpracování jednoho tokenu. Nejde tedy o checkpoint o velikosti pouhých 14 miliard parametrů. Zároveň to není hotový asistent připravený rovnou k běžnému nasazení, ale základ určený k dalším úpravám.6
Základ pro další trénování, ne hotový chatbot
Checkpoint zachycuje stav po předtrénování, ještě před mezitrénováním a dodatečným trénováním. Dokumentace SGLang jej popisuje jako výchozí bod pro přizpůsobení konkrétní doméně, doladění instrukcemi nebo výzkum posilovaného učení. Organizace, které jej chtějí využít jako asistenta, tak mohou potřebovat další trénování podle zamýšleného použití.
Deklarované délky kontextu se liší podle fáze použití: při trénování jde až o 128 tisíc tokenů, při dolaďování a inferenci až o 1 milion tokenů. Dokumentace SGLang uvádí podporu nasazení s kontextem do 1 milionu tokenů.
Na Hugging Face je dostupná varianta FP8 a samostatně také verze BF16; obě podporuje SGLang.5 Samotný počet aktivních parametrů ale neříká, jakou infrastrukturu bude provoz modelu vyžadovat. Celková velikost checkpointu zůstává významná.
Jak funguje řídká architektura
V modelu mixture of experts se při zpracování každého tokenu nezapojují všechny parametry. Údaj 280 miliard celkem a 14 miliard aktivních u ERNIE odráží právě toto řídké zapojení.6
Podle dokumentace SGLang tvoří model 37 vrstev s výrazně komprimovanou pozorností a šest vrstev s plným kontextem a multi-head latent attention; používá také řídkou pozornost. V každé vrstvě MoE se vybírá 10 z 512 směrovaných expertů spolu s jedním sdíleným expertem. Tyto parametry popisují konstrukci modelu, samy o sobě ale nedokládají konkrétní zrychlení nebo nižší náklady při jeho provozu.
Baidu uvádí, že při trénování použilo optimalizátor Muon a smíšenou přesnost FP8 na tisících GPU. Materiály k modelu popisují také FlashMask-4, výpočetní jádro pozornosti určené pro velké rozměry hlav.6
U FlashMask-4 Baidu uvádí až o 175 % rychlejší průchod vpřed a o 74 % rychlejší průchod zpět na SM100 ve srovnání s FlashAttention-4 MaskMod.4 Jde o výsledky výrobce pro konkrétní výpočetní jádro, nikoli o tvrzení, že celý model poběží při reálném nasazení o 175 % rychleji.
Co ukazují srovnávací testy
Výsledky zveřejněné Baidu jsou silné v několika testech znalostí a programování, mimo jiné při srovnání s modelem DeepSeek-V4-Flash-Base. Jde o reportované výsledky benchmarků, nikoli o nezávislé zopakování testů.4
7
| Benchmark | ERNIE-5.5-Flash-Base | DeepSeek-V4-Flash-Base |
|---|---|---|
| MMLU-Pro | 78,4 | 69,2 |
| HumanEval+ | 82,3 | 69,5 |
| LiveCodeBench | 40,1 | 31,9 |
| ChineseSimpleQA | 73,0 | 75,3 |
V uvedeném testu MMLU s pěti ukázkami dosáhl ERNIE skóre 93,3. DeepSeek-V4-Flash-Base měl 89,4, Hy3-preview 87,5 a MiMo-V2.5 87,6.4 Výsledky ale nejsou jednoznačným vítězstvím: v reportovaném srovnání dosáhl DeepSeek vyššího skóre v ChineseSimpleQA i InfiniteBench.
7
14
Prakticky jde o model s vysokou celkovou kapacitou, řídkým zapojením parametrů pro každý token a dokumentovanou podporou dlouhého kontextu. V některých zveřejněných testech vypadá slibně, před nasazením je ale potřeba ověřit výkon na konkrétní úloze i podmínky licence.
Nasazení a licenční podmínky
SGLang uvádí podporu checkpointů FP8 i BF16 a zveřejňuje postupy pro jejich nasazení včetně spekulativního dekódování ECHO. Stránka modelu na Hugging Face odkazuje na vlastní licenční smlouvu ERNIE 5.5 Flash Base Model License Agreement v1.0. Smlouva zmiňuje také zásady přijatelného použití, takže zveřejnění vah neznamená automaticky neomezené právo model používat. Před nasazením v produktu je vhodné prostudovat konkrétní podmínky.19
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Baidu zveřejnilo základní model ERNIE 5.5 Flash Base"?
Baidu vydalo ERNIE 5.5 Flash Base 5. listopadu 2026.
What are the key points to validate first?
Baidu vydalo ERNIE 5.5 Flash Base 5. listopadu 2026. Jde o checkpoint po předtrénování, bez následného mezitrénování či dodatečného trénování.
What should I do next in practice?
Baidu uvádí podporu kontextu až 1 milion tokenů při dolaďování a inferenci. Modelové výsledky jsou v některých testech silné, ale nejde o nezávislé ověření ani o vítězství ve všech srovnáních.[4][7][32]