つい先ほど、Baidu(百度)が新しいモデルを発表しました。X(旧Twitter)のユーザーたちはそのデモを見るやいなや、騒然となっています。
Baidu、ついに本気を出してきたか??
「自転車に乗るペリカン」なんてもう古臭くて飽きたと言われていましたが、こんなバージョンは見たことがありますか?
動画URL:https://mp.weixin.qq.com/s/Rj-T8unLFnHUk6R89rt02Q
△コンセプトデザイン:Bilibiliクリエイター @近步抱告_
自転車に乗った1羽のペリカンが、紀元前4000年のサハラの岩絵から、大規模言語モデル(LLM)時代のコードエディタへと一気に駆け抜けます。
116秒、20種類の アートスタイル。すべてPythonコードによるアニメーション制御で作られています。
ペリカン自体はいつものペリカンですが、そのアプローチはもはや別次元としか言いようがありません……。
しかも、これはまだ前菜に過ぎません。
アニメーションを作り終えたかと思えば、背後のモデルはすぐさまUnreal Engine(UE 5.8)に潜り込み、11時間ぶっ通しで作業を続け、東洋武侠ゲーム『雲岫行』を作り上げてしまいました。
動画URL:https://mp.weixin.qq.com/s/Rj-T8unLFnHUk6R89rt02Q
張家界の石峰、断崖絶壁の古寺、キャラクターのモーション、ゲームロジック……なんとこれらすべてを実装してしまったのです。
いやいや、コードでアニメを撮った直後に、今度はコードでゲームを作るとは、Baiduは一体どんな大技を隠し持っていたのでしょうか??
答えはこちらです:
ERNIE 5.5 Flash Preview(文心 5.5 Flash Preview)。
「Baidu World」カンファレンスの開催前日、この新モデルが正式にお披露目され、間もなくオープンソース化されることも発表されました。
総パラメータ数は2800億、1回の推論でアクティブになるのはわずか140億パラメータ。100万トークンのコンテキストをサポートし、生成速度は毎秒200トークンを超えます。
そして今回、ERNIEが重点的に強化したスキルツリーは、たった一言に尽きます。
コーディング(プログラミング)。
ただし、ここで言うコーディングとは、もはやWebページを作ったりコードを補完したりするレベルにとどまりません。ゲーム開発、3Dモデリング、動画編集といった、連続的なツール呼び出しや反復的なテスト・修正を必要とする複雑なタスクにも、モデルが直接取り掛かれるようになっています。
現在、Terminal-BenchやAutomationBenchなどのコーディングおよびエージェント評価ベンチマークにおいて、ERNIE 5.5 Flash PreviewはすでにClaude Opus 5.5やGPT-6.1 Solといったフラッグシップモデルと互角に渡り合える実力を示しています。

ここまで期待が高まったからには、「論より証拠」、実際に試してみるしかありません。
3D、ゲーム、Webページ……ERNIE 5.5 Flash Preview、いざ勝負。(笑)
ERNIE 5.5 Flash Preview を実機テスト
現在、このモデルはWeb版とAPIの両方で体験できます。

第1問は、まず『山海経』に登場する大物からいきましょう。
九尾の狐。
ただし今回は、ERNIEにコードを使って「青銅のからくり獣の覚醒」というアニメーションを作ってもらいます。
古代の写本から始まり、歯車や装甲、骨格がひとりでに宙に舞い上がり、最終的に1匹の九尾のからくり獣へと組み上がるという演出です。
外部アセットの使用は一切禁止。モデリング、アニメーション、レンダリングのすべてをPythonだけで行います。
出力された結果を見てみると……。
なんと、これは九尾の狐というより、『山海経』から飛び出してきたサイバーからくり獣ではないですか?!
動画URL:https://mp.weixin.qq.com/s/Rj-T8unLFnHUk6R89rt02Q
動画が作れるなら、ゲームはどうでしょうか?
第2問は、一気に難易度を上げることにしました:実際にプレイできる『The Backrooms(バックルーム)』を作らせる。
しかも、ただ黄色い廊下を作ってごまかすのではなく、アイテム収集からクリアまでの一連のゲームフローを完全に実装させなければなりません——
プレイヤーは迷宮内で3本のビデオテープを見つける必要があり、途中ではエンティティ(怪物)の追跡を受け、スタミナ、ゲームオーバー、脱出のシステムも備わっていること。そして最終的な成果物は、ブラウザでそのまま開ける単一のWebページであること。
その結果、ERNIEは完全な単一のHTMLファイルを出してきました。
ゲームエンジンのインストールも、追加の環境構築も不要で、クリックすればすぐに遊べます。
黄色い壁紙、湿ったカーペット、ブーンと唸る蛍光灯、さらに古いビデオテープ風のフィルターが重なり、あの独特の雰囲気が一気に醸し出されています。

最初は、かなり余裕をこいていました。
どうせ廊下をぐるぐる歩き回って、ついでにビデオテープを探すだけだろうと。
ところが……
あるプレイ中、油断していたところで突然真正面から捕まってしまいました。
いやはや、不意打ちを食らって本気でビクッとしました。
動画URL:https://mp.weixin.qq.com/s/Rj-T8unLFnHUk6R89rt02Q
心拍数が上がりすぎました。ちょっと不気味すぎたので、次は美しい人間の世界に戻りましょう。
第3問は、ERNIEを直接Blenderに放り込み、ゼロから蘇州古典園林を作らせます。
すべての建築物、植物、水面、そしてカメラワークのアニメーションを、PythonからBlender APIを呼び出して少しずつ構築していかなければなりません。
すると、ERNIEはBlenderの中でせっせと庭園を造り始めました。
約30分後、モデルから以下の「一発出し」の結果が返ってきました。
正直なところ、このクオリティには本当に驚かされました……。
動画URL:https://mp.weixin.qq.com/s/Rj-T8unLFnHUk6R89rt02Q
ともあれ、今回のハンズオンはせいぜい初期段階のテストに過ぎません。
公式が公開している、平気で十数時間も稼働し続ける複雑なデモの裏には、より緻密なタスク設計やツールの連携、そして反復的なデバッグが不可欠なはずです。
ERNIE 5.5 Flash Previewの能力の限界が一体どこにあるのかは、引き続き検証していく必要があります。
しかし、一通り試してみて、私はもう一つのことに強い好奇心を抱きました。
同じコーディングでありながら、今回のERNIEはどうやって要件理解からプロジェクト納品までの「エンドツーエンドのパイプライン」を貫通させたのか?
その答えは、かつてあのJeff Deanですら過小評価していたある能力に隠されているのかもしれません。
Jeff Deanも見誤ったと認めた「コード」、ERNIEが今回重点的に補強
つい先日、Jeff DeanはFei-Fei Li(李飛飛)との対談の中で、あることを見誤っていたと自ら認めました——
それはコーディングです。
Geminiも初期からコーディングのトレーニングは行っていましたが、それを最も中核的な位置には据えていませんでした。しかし後に彼は、モデルのあらゆる問題解決において、コーディング能力が想像以上に深い影響を与えることに気づいたのです。
言ってみれば、コーディングとはチャットボックスから生えた「両手」のようなものです。これがあって初めて、モデルは「机上の空論」の領域から抜け出すことができます。
しかし、時代が進むにつれ、コーディングに対する人々の期待もますます高まっています。

△画像出典:YouTubeアカウント @stanfordhai
今やAIがコードを書くこと自体はかなりスムーズになり、Webページを作ったりバグを修正したりする程度なら、数分で結果を出してくれます。
しかし、いざ1つのプロジェクトを単独で完遂させようとすると、途端に厄介なことになります。
要件の分解、環境構築、テストとデバッグ……どのステップも人間が付きっきりで監視しなければなりません。
なんと、AIがコードを書くと言いつつ、結局は人間が最初から最後まで伴走しなければならないのです……。
だからこそ、理想のコーディングとはこうあるべきです:
要件を入れれば、完成品が出てくる。
人間はAIに何を作りたいかを伝えるだけで、タスクの分解、コードの記述、ツールの呼び出し、テスト、バグ修正まで、すべてAI自身がステップバイステップで完結させる。
これこそがいわゆる「エンドツーエンド」であり、今回のERNIEが重点的に補強した能力でもあります。
具体的にどう補強したのでしょうか?まずは1つの数字を見てみましょう。
1400万。
これは、BaiduがERNIE 5.5 Flash Previewのために用意した「実行可能なコードタスク」の数です。
数字の大きさもさることながら、より重要なのは**「実行可能(Executable)」**であるという点です。
すべてのコードは実際の環境に放り込まれて実行され、その結果に基づいてタスクが完了したかどうかが判定されます。
どれほど綺麗なコードを書いても、動かなければ意味がありません。
書き終えたらそのまま提出?
残念ながら、そう簡単にはいきません。
コードを実行した後にどうやって問題を発見し、修正を続けるかについて、Baiduは多様なエージェント実行トラジェクトリ(軌跡)を活用し、モデルに「いつツールを使うべきか」「フィードバックをどう読み取るか」「エラーが出たらどう直すべきか」を学習させました。
冒頭のゲーム『雲岫行』の例に当てはめると、より理解しやすくなります。
開発プロセスにおいて、モデルはキャラクターが宙に浮いたり、走る方向がおかしかったり、カメラの位置が狂ったりといった問題に直面しました。
しかし、ERNIE 5.5 Flash Previewは純粋なテキストモデルであるため、ゲーム画面を直接見てバグを探すことはできません。
では、どうしたのでしょうか?
Baiduはこれらの視覚的な問題を、コードで検査可能なデータへと変換し、そのテスト結果に基づいてモデルに修正を続けさせたのです。
こうして、「実行する → 問題を調べる → コードを修正する → 再び実行する」というサイクルを回します。
本来なら開発者が画面に張り付いて行う必要があったデバッグ作業も、モデル自身のワークループの中に組み込まれたわけです。

もちろん、このループを覚えたからといって、どんな仕事でもこなせるわけではありません。
Webページ、ゲーム、3Dモデリング、動画制作は、一見どれもコードを書いているように見えますが、そのノウハウは全く異なります。
そのためBaiduは、具体的なシナリオごとにモデルへ個別の「補習」を行いました。
ゲームを作るなら、ゲームプレイのメカニクスや実行状態を理解し、さらにUnreal Engine、Unity、Godotといったエンジンに適応する必要があります。
BlenderやCADになれば、専門的なツールを呼び出す方法を学び、一連のモデリング工程を連続して走り切らなければなりません。
動画制作はさらに厄介です。
脚本や絵コンテから、アフレコ、編集に至るまで、途中でさまざまなツールにバトンを繋いでいく必要があり、Baiduはそのために1000以上の制作スキル(Skill)を用意しました。
苦労してツールの使い方を教え込んだと思ったら、今度は新たな問題が立ちはだかります。
記憶力です。
エージェントが数時間連続で作業をしていると、途中で「新しいことを覚える代わりに前のことを忘れる」という事態に陥りがちです。
そこでERNIE 5.5 Flash Previewは、コンテキストウィンドウを一気に100万トークンまで拡張し、より多くのプロジェクトファイル、コード、ツール呼び出し履歴を保持できるようにしました。
ただ多く記憶できるだけなく、肝心な時にそれを引き出せなければなりません。
ERNIEはハイブリッド・スパース・アテンション(Hybrid Sparse Attention)を採用し、膨大な履歴の中から、現在本当に必要な情報を素早く探し出せるようにしました。
さらに、マルチ・ルーターMoE、ECHOマルチトークン予測、FP4エキスパート重みなどの技術を組み合わせることで、最終的に生成速度を毎秒200トークン以上へと押し上げています。
特筆すべきは、これらの最適化作業にはすでにAI自身が関与しているという点です。Baiduの発表によると:
ERNIE 5.5 Flash Previewには自社開発のRSI技術が初めて導入され、ERNIE Evolveがモデルの推論最適化に参加することで、AIがモデルの研究と最適化に関わる新たなアプローチを模索しているとのことです。
突き詰めれば、AIにプロジェクトをエンドツーエンドで完遂させる上で最も難しいのは、実は次の2点に集約されます。
第1に、途中で人間に引き継がせないこと。
第2に、十分な持久力(スタミナ)を持つこと。作業が長引けば長引くほど、モデルの記憶力、コンテキスト処理能力、そして生成速度が試されます。
ERNIE 5.5 Flash Previewが今回コーディングを強化したのは、まさにこの2つの難関を突破するためです。
「見栄えの良いコードの断片」から「実際に使えるプロジェクト」へ。その道のりを自力で最後まで歩き切れるかどうかこそが、「エンドツーエンド」の真の価値なのです。
One More Thing
そういえば、最近のBaidu ERNIEを見ていると、どうもこんな気がしてなりません。
このチーム、なんだか少し変わったぞ、と。
それは特定の発表会や、どこかのベンチマークランキングのせいではありません。
きっかけはほんの偶然でした。
数日前に小紅書(RED)を見ていた時、BaiduのERNIE事前学習チームのJunyuan Shang氏が、自作の動画を投稿しているのを見かけました。
サムネイルには、たった6文字でこう書かれていました——
「帰来仍是少年(帰ってきても、あの頃の少年のまま)」。

一見すると、少し青臭い(中二病っぽい)かもしれません。
しかし、そこに添えられた「一世代を再構築する新たな出発点。初心を忘れず、常に情熱を抱き、前へと進み続けられますように」という言葉と、これまでのBaidu ERNIEの歩みを重ね合わせると、急に胸に迫るものがありました。
Baiduは中国国内で最も早く大規模言語モデルに参入した企業の1つであり、スタートは決して遅くなく、技術の蓄積も少なくありませんでした。
しかし、モデルが世代交代を重ねる一方で、外部からの懐疑的な声も絶えませんでした。
特に「早起きしたのに、市(いち)には遅れた(早くから参入したのに出遅れた)」という揶揄は、チーム自身も耳にタコができるほど聞かされてきたはずです。
そんな声を聞くうちに、チームの雰囲気が少しずつ変わり始めました……。
ERNIEの研究開発メンバーたちが次々と表舞台に立ち、小紅書やX(旧Twitter)でユーザーと積極的に交流し始めたのです。
過去の論争やイジりに対してさえ、彼らは正面から向き合うようになりました。

この突然の「集団広報活動」には、ネットユーザーたちも困惑するほどでした:
「なぜERNIEチームの連中がこぞってXに来たんだ?何かのノルマでもあるのか?」と。

ノルマがあるかどうかは分かりません。
しかし、1人からグループへと広がり、これまでモデルの名前というベールの裏に隠れていた研究開発者たちが、確実に表舞台へと出てき始めています。
ツッコミを受けても逃げず、問題に直面しても正面から回答する。
こうした変化からは、確かな気概が感じられます。
彼らは彼らで、悔しさをバネに、本当に良いものを作ろうと意気込んでいるのではないか、と。
もっとも、姿勢は姿勢として、「口先の優しい言葉より、実際の行動(巨額の振り込み)」が重要なのも事実です。具体的なアクションを見せなければなりません。
そして実際、今回のBaiduにはそれがあります。
大きく2つのアクションです。
1つはオープンソース化計画の発表、もう1つは期間限定の割引です。
ERNIE 5.5 Flash Previewのモデル重みは近く公開される予定で、Apache 2.0ライセンスを採用し、SGLangおよびvLLMでのデプロイをサポートします。
これで、もはや隠し立てすることは何もありません。
開発者が自分でデプロイしようが、二次開発しようが、あるいは直接ダウンロードして粗探しをしようが、すべて自由です。
価格面では、モデルAPIもBaidu AI Cloudの「千帆(Qianfan)」プラットフォームで同時に公開され、現在は期間限定で半額となっています(入力:1元/100万トークン、出力:4元/100万トークン、ピーク時はいずれも2倍)。
この点は非常に重要です。
先ほど挙げたゲーム、3D、動画といったタスクは通常、大量のトークンを消費します。どんなに強力なモデルでも、高すぎて使えないのでは話になりません。
「オープン化」と「値下げ」で道は整えられました。あとは開発者に委ねられます——
このモデルが本当に戦えるのかどうか、その答えはこれから皆が出してくれるはずです。
ここまで書いてきて、先ほどの動画にあった「帰来仍是少年」という言葉を思い返すと、なかなかにしっくりきます。
あれほど早く出発したのに、「出遅れた」と散々揶揄されてきた彼ら。
今、同じモデル開発者たちが、いくばくかの悔しさを胸に、もう一度前を追いかけてみようとしています。
果たして今回こそ追いつけるのか、何か違ったものを生み出せるのか。
それは……楽しみに見守ることにしましょう。
リンク:
https://ernie.baidu.com/web/new-chat
https://console.bce.baidu.com/qianfan/modelcenter/model/buildIn/list