Baidu abre pesos do ERNIE 5.5 Flash Base: modelo base MoE de 280B com requisitos de implantação e licença
Segundo o MarkTechPost, em 5 de novembro de 2026, a Baidu publicou e abriu os pesos FP8 e BF16 do ERNIE 5.5 Flash Base: 280B parâmetros totais, 14B ativados por token, contexto de treino de 128K e inferência extensível até 1M. É um modelo base que para no fim do pré-treinamento, sem treino intermediário nem pós-treinamento; a reportagem diz que a licença usa um limite de US$ 50 milhões de receita anual e exclui União Europeia, Reino Unido e Coreia do Sul.
O que mudou
A reportagem afirma que a Baidu disponibilizou os pesos do ERNIE 5.5 Flash Base no Hugging Face e no ModelScope: um modelo base MoE esparso apenas de texto, com 43 camadas, dimensão oculta 4096, 280B parâmetros totais e 14B ativados por token, pré-treinado do zero com o otimizador Muon sobre 33,5T tokens; os pesos param no fim do pré-treinamento, e a Baidu o posiciona como um ponto de partida unificado para comparar métodos de ajuste fino, ajuste fino por instrução e aprendizado por reforço. Na arquitetura, 37 das 43 camadas usam atenção de alta compressão (HCA), armazenando 1 entrada a cada 128 tokens, e as outras 6 usam MLA com atenção esparsa, o que equivale a manter 1 camada em cada 7 com acesso ao contexto completo; cada camada MoE tem 512 especialistas roteados (top-10) mais 1 especialista compartilhado, e vários roteadores sigmoid independentes substituem um único roteador; o ECHO reutiliza a última camada do backbone para prever tokens futuros e também serve como modelo rascunho embutido para decodificação especulativa, com 0,36B parâmetros extras não contados na estatística principal. A Baidu relata que o modelo obteve o melhor resultado em 24 de 30 benchmarks de modelos base sob um fluxo unificado, com MMLU-Pro 78,4 (DeepSeek-V4-Flash-Base: 69,2 no mesmo fluxo), mas fica atrás em HELMET-Rerank, com 56,2 contra 60,0 do concorrente, e também perde a primeira posição em 6 itens, incluindo ChineseSimpleQA, INCLUDE-lite e InfiniteBench. No lado da implantação, a configuração de referência citada é SGLang com paralelismo em 4 vias, e o vLLM exige a versão 0.32.0 mais o plugin vLLM-ERNIE; ambos aceitam até 1.048.576 tokens; por ser um modelo base, ele roda pelo endpoint de completions, não de chat.
Impacto para desenvolvedores
Para os desenvolvedores, há várias implicações diretas. Primeiro, são pesos abertos, não uma licença de código aberto no sentido usual: os pesos podem ser baixados, mas a licença é a ERNIE 5.5 Flash Base License v1.0, personalizada; a reportagem diz que é gratuita para receita anual abaixo de US$ 50 milhões e exclui União Europeia, Reino Unido e Coreia do Sul — os direitos reais devem ser conferidos no texto da licença, e não se deve tratá-la como uma licença aberta comum só porque os pesos estão no Hugging Face. Segundo, o modelo resolve 'por onde começar o pós-treinamento', não 'conectar diretamente um modelo de chat': sem pós-treinamento não há seguimento de instruções nem formato de diálogo; para colocá-lo em um produto, é preciso fazer seu próprio fluxo de SFT ou RL, ou usar um modelo já alinhado, e a diferença de esforço de engenharia entre esses dois caminhos é grande. Terceiro, a estrutura de custo de contexto longo foi deliberadamente enxuta: o HCA armazena apenas 1 entrada a cada 128 tokens em 37 camadas, o que em teoria reduz bastante o cache KV, mas só 1 em cada 7 camadas mantém o contexto completo; quanto ganho se obtém em recuperação de textos longos e compreensão em nível de repositório precisa ser validado com seu próprio conjunto de documentos, em vez de copiar números auto-relatados como RepoQA 91,7. Quarto, a reportagem só fornece a configuração de referência com paralelismo em 4 vias e não divulga modelo de GPU nem memória; questões de capacidade como se uma única máquina consegue servir e quantas placas são necessárias não podem ser concluídas a partir deste artigo. Além disso, os 0,36B parâmetros do ECHO ficam fora da contagem principal, então estimar hardware pelos parâmetros totais tende a ser otimista.
Integração e avaliação
O que segue são análises ou recomendações condicionais, não fatos da reportagem. Sobre as versões de precisão: a reportagem diz que os pesos FP8 e BF16 foram ambos disponibilizados, e isso afeta primeiro a rota de treinamento seguinte. Se você só faz serviço de inferência, pode testar FP8 primeiro; se o plano é continuar o pré-treinamento ou fazer ajuste fino de todos os parâmetros a partir deste checkpoint, BF16 é um ponto de partida mais seguro. O que muda essa escolha é se o hardware suporta computação FP8 e se você tem orçamento comparável de ajuste fino. O critério mensurável é: com parâmetros de decodificação fixos no seu conjunto de validação, rodar FP8 e BF16 e comparar taxa de acerto ou correspondência exata; se a queda do FP8 ultrapassar o limite de tolerância predefinido, volte ao BF16 ou restrinja o FP8 a requisições de baixo risco. Sobre a pilha de serviço: o caminho citado é vLLM 0.32.0 com o plugin oficial, e a configuração de referência do SGLang é paralelismo tensorial em 4 vias. Se o cluster já roda vLLM e a versão pode ser fixada, o caminho do plugin tem custo de migração menor; se as atualizações de versão são controladas ou você prefere evitar dependência de plugin, a configuração de referência do SGLang dá menos trabalho. O que muda a decisão é o grau de controle sobre a versão e a aceitação operacional de plugins de terceiros. O critério mensurável é medir, no comprimento de contexto alvo, a concorrência possível por placa, o pico de memória e os tokens de decodificação por segundo, e então decidir se vale adicionar placas para contexto mais longo. Sobre começar ou não por este modelo base: a reportagem diz claramente que ele usa o endpoint de completions, e esse é o ponto de bifurcação. Se sua tarefa exige seguimento de instruções e chamada de ferramentas prontos para uso, use primeiro um modelo alinhado existente; só quando você realmente precisa comparar diferentes esquemas de pós-treinamento a partir do mesmo checkpoint e tem capacidade de engenharia de SFT ou RL este checkpoint tem valor extra. A forma de medir é comparar, no mesmo conjunto interno de questões, a taxa de acerto do modelo que você pós-treinou com a do modelo em uso; se não vencer, não migre.
Limites e pontos a confirmar
Há muitas incógnitas. Modelo de GPU, memória e escala de serviço por máquina não são divulgados na reportagem; todos os benchmarks são auto-relatados pela Baidu, e os números de concorrentes sob o fluxo da Baidu diferem ligeiramente dos publicados por cada fornecedor — por exemplo, a DeepSeek lista MMLU-Pro 68,3 e a Baidu mediu 69,2; a Tencent lista Hy3 65,76 e a Baidu mediu 66,9 —, o que indica que essa comparação serve apenas para ver posição relativa, não como conclusão entre fornecedores. O contexto de 1M é o limite aceito pelo servidor, e a reportagem não traz dados de qualidade nesse comprimento; o LongBench-v2 48,7 na faixa intermediária também sugere que a capacidade de contexto longo não lidera em tudo, e os desenvolvedores precisam medir memória e latência no comprimento alvo. Os termos de licença repassados pela reportagem, incluindo o limite de receita e as exclusões de União Europeia, Reino Unido e Coreia do Sul, precisam ser verificados no texto original da licença. Na checagem do catálogo até 9 de novembro de 2026, o catálogo online do KimiSeek não tem a entrada ERNIE 5.5 Flash Base; qualquer disponibilidade de API mencionada na reportagem se refere à Baidu, não a este site, e chamadas hospedadas devem seguir os canais oficiais da Baidu; para usar via este site, é preciso primeiro haver uma entrada exata no catálogo. Além disso, os números de aceleração do kernel de treino FlashMask-4 em SM90 e SM100 também são auto-relatados pelo fornecedor, e a mesma publicação já teve cobertura da mídia chinesa em 5 de novembro; o que se acrescenta aqui são arquitetura, pré-requisitos de implantação e escopo da licença, partes que afetam mais a decisão de adoção.