Baidu ERNIE 5.1: Mengapa Klaim Biaya Pelatihan 6% Jadi Sorotan

Baidu ERNIE 5.1 paling tepat dibaca bukan sebagai cerita “model makin jumbo”, melainkan sebagai cerita efisiensi. Dalam rilisnya, Baidu mengatakan ERNIE 5.1 mewarisi fondasi pre-training ERNIE 5.0, mengompresi total parameter menjadi sekitar sepertiga dan active parameter menjadi sekitar setengah, serta mencapai performa dasar terdepan di skala modelnya dengan hanya sekitar 6% biaya pre-training dari model sebanding .

Di tengah perlombaan AI yang sering diukur lewat ukuran model, jumlah data, dan besarnya komputasi, klaim ini penting karena Baidu menawarkan narasi berbeda: performa kuat tidak selalu harus datang dari pelatihan ulang model raksasa dari nol. Namun, angka 6% tetap perlu dibaca hati-hati. Materi publik yang tersedia belum menjelaskan secara rinci model pembanding, metode akuntansi biaya, perangkat keras, komposisi data, maupun biaya setelah pre-training .

Apa sebenarnya yang diklaim Baidu?

Klaim inti Baidu cukup spesifik. ERNIE 5.1 disebut tidak dibangun sebagai fondasi baru sepenuhnya dari nol, melainkan mewarisi fondasi pre-training ERNIE 5.0 . Dalam proses itu, Baidu mengatakan total parameter dipadatkan menjadi sekitar sepertiga dan active parameter menjadi sekitar setengah .

Perlu digarisbawahi: angka 6% yang disebut Baidu merujuk pada biaya pre-training, bukan otomatis seluruh biaya pengembangan model. Materi yang tersedia tidak membuktikan bahwa angka itu mencakup biaya post-training, deployment, inference, efisiensi perangkat keras, atau harga komersial.

Baidu juga menyebut ERNIE 5.1 membawa peningkatan pada kemampuan agent, reasoning, dan kreativitas, didukung oleh reinforcement learning yang “disaggregated fully-asynchronous” serta scaled agentic post-training . Dalam blog yang sama, Baidu mengatakan model ini menempati peringkat pertama di China pada Arena Search Arena .

Mengapa angka 6% itu penting?

Selama ini, pembicaraan tentang model AI besar sering terdengar seperti adu tenaga: parameter lebih banyak, data lebih besar, komputasi lebih mahal. ERNIE 5.1 mengarah ke pertanyaan lain: bisakah performa tinggi dipertahankan dengan fondasi lama yang digunakan ulang, ukuran model yang lebih ramping, dan pelatihan lanjutan yang lebih terarah?

Jika pendekatan seperti ini terbukti konsisten di dunia nyata, keunggulan kompetitif tidak hanya ditentukan oleh siapa yang mampu membakar komputasi paling besar. Keunggulan bisa bergeser ke rekayasa biaya-performa: bagaimana sebuah lab menggunakan ulang fondasi model, memilih sub-model yang efisien, menekan komputasi aktif, dan memperbaiki perilaku model lewat post-training. Itulah sebabnya ERNIE 5.1 menarik: Baidu menyampaikan argumen efisiensi ini secara eksplisit dalam materi rilisnya .

Bagaimana Baidu mengklaim biayanya bisa lebih rendah?

Ada empat bagian utama dalam cerita efisiensi ERNIE 5.1.

1. Mewarisi fondasi ERNIE 5.0

Rilis Baidu menyatakan ERNIE 5.1 mewarisi fondasi pre-training ERNIE 5.0 . Inilah inti klaim biayanya: ERNIE 5.1 diposisikan sebagai model turunan dari fondasi yang sudah ada, bukan proyek pre-training penuh yang dimulai dari kertas kosong.

2. Memangkas total parameter dan active parameter

Baidu mengatakan ERNIE 5.1 mengompresi total parameter menjadi sekitar sepertiga dan active parameter menjadi sekitar setengah . Secara sederhana, total parameter menggambarkan jejak penuh model, sedangkan active parameter adalah bagian yang aktif digunakan dalam komputasi tertentu. Karena keduanya dipangkas, rilis ini berbicara tentang efisiensi sekaligus kemampuan.

3. Menggunakan logika pelatihan model-family yang elastis

Laporan teknis ERNIE 5.0 menjelaskan pendekatan “elastic training”, yaitu satu proses pre-training yang dapat menghasilkan keluarga model dengan kompromi kapasitas dan efisiensi yang berbeda-beda . Menurut laporan itu, caranya adalah dengan mengambil sampel sub-model secara dinamis berdasarkan kedalaman, lebar, dan routing sparsity yang berbeda, lalu memungkinkan sub-model mewarisi pengetahuan dari model penuh untuk tahap post-training berikutnya .

Ini membantu menjelaskan logika di balik ERNIE 5.1. Pendekatannya bukan sekadar “latih model yang lebih besar”, melainkan membangun fondasi yang lentur lalu menurunkan konfigurasi yang lebih efisien dari fondasi tersebut .

4. Menambahkan post-training untuk agent dan reasoning

Baidu mengatakan ERNIE 5.1 memakai reinforcement learning yang disaggregated fully-asynchronous dan scaled agentic post-training untuk meningkatkan kemampuan agent, reasoning, dan kreativitas . Dengan kata lain, klaim Baidu bukan hanya bahwa model dibuat lebih kecil. Baidu juga mengatakan kemampuan akhirnya dibentuk oleh tahap post-training .

Yang masih belum terbukti

Pertanyaan terbesarnya adalah verifikasi. Materi publik yang dikutip belum memberikan akuntansi lengkap tentang anggaran pelatihan, konfigurasi perangkat keras, campuran data, durasi pelatihan, pemanfaatan akselerator, biaya post-training, atau daftar pasti “model sebanding” yang menjadi dasar angka 6% .

Itu tidak membuat klaim Baidu otomatis tidak berarti. Namun, angka tersebut belum layak diperlakukan sebagai tolok ukur industri yang sudah diaudit secara independen. Pembacaan yang paling aman adalah: Baidu mengklaim ERNIE 5.1 mempertahankan performa dasar terdepan di skala modelnya sambil menekan parameter dan biaya pre-training melalui pewarisan fondasi, kompresi, gagasan elastic training, serta post-training .

Kesimpulannya

Signifikansi ERNIE 5.1 terletak pada cara Baidu membingkai kemajuan AI: bukan terutama soal skala mentah, melainkan biaya-performa. Baidu mengatakan model ini mewarisi fondasi ERNIE 5.0, memangkas total dan active parameter, lalu mencapai performa dasar terdepan di skala modelnya dengan sekitar 6% biaya pre-training dari model sebanding .

Klaim itu penting, tetapi belum sepenuhnya tuntas hanya dari materi publik. Sampai Baidu atau evaluator independen membuka lebih banyak detail tentang baseline, perangkat keras, data, dan cara menghitung angka 6%, ERNIE 5.1 sebaiknya dilihat sebagai klaim efisiensi yang serius—bukan sebagai patokan biaya industri yang sudah terbukti final.