Baidu vient de mettre en ligne un modèle de 280 milliards de paramètres que personne n’a appris à se tenir. ERNIE-5.5-Flash-Base sort volontairement sans fine-tuning ni post-training : pas de consignes suivies, pas de garde-fous, pas de ton. Ce qui fait habituellement la valeur d’un modèle livré au public, l’éditeur a décidé de ne pas le livrer.
Le geste est calculé. Il déplace une charge que les laboratoires portaient jusqu’ici seuls.
Un modèle de fondation, rien de plus
ERNIE 5.5 repose sur une architecture MoE (mixture-of-experts, un ensemble de sous-réseaux « experts » dont seuls quelques-uns travaillent à chaque requête). Sur ses 280 milliards de paramètres, 14 milliards sont actifs pour chaque token. Le modèle a été pré-entraîné sur 33 500 milliards de tokens, avec un contexte d’entraînement allant jusqu’à 128 000 tokens. Baidu indique qu’il est conçu pour monter à un million de tokens lors du fine-tuning et de l’inférence.
Les poids sont disponibles sur Hugging Face, en FP8 et en BF16 (deux formats numériques de précision réduite, qui allègent la mémoire nécessaire pour faire tourner un tel modèle). Une version post-entraînée doit suivre, sans date annoncée.
Un modèle de base prédit du texte. Il ne répond pas à une question, il la prolonge. Entre lui et un assistant utilisable, il y a le post-training : l’apprentissage des consignes, le réglage des refus, la mise en forme des réponses. Cette couche, la plus coûteuse en jugement humain, Baidu la laisse vide.
À qui revient le comportement du modèle
Quand un éditeur livre un modèle déjà aligné, il répond de ce que le modèle accepte de faire ou de refuser. Quand il livre la base, la question change de mains. Le développeur qui règle le modèle choisit ses limites, ses refus, son registre, et en assume les conséquences devant ses propres utilisateurs.
Pour Baidu, la position est confortable. Le laboratoire garde la vitrine technique (la taille, le volume de données, la place dans les classements) et se décharge d’une partie du risque de réputation. Un modèle brut qui dérape engage d’abord celui qui l’a réglé, bien plus que celui qui l’a pré-entraîné.
Côté développeur, l’équation est moins simple. Régler un modèle de 280 milliards de paramètres exige du calcul, des données d’instruction de qualité et une méthode d’évaluation. Peu d’équipes réunissent les trois. Les autres attendront la version post-entraînée de Baidu, et ce sera alors Baidu qui décidera de ce que le modèle sait dire.
Trois modèles dans le viseur
Baidu a comparé son modèle à DeepSeek-V4-Flash-Base, Hy3-preview-Base et MiMo-V2.5-Base, avec le même protocole d’évaluation, sur sept familles de tests : examens, sciences, raisonnement, connaissances, code, multilinguisme et contexte long. Selon l’éditeur, ERNIE 5.5 Flash Base se mesure à ces modèles de fondation de taille voisine.
Le choix des adversaires dit la partie que Baidu veut jouer. Il ne se compare pas aux modèles fermés américains, il se place dans la catégorie des bases ouvertes, celle où DeepSeek fait référence et où les équipes de recherche vont chercher leur matière première. Publier une base, c’est viser ceux qui construisent par-dessus : laboratoires, éditeurs de logiciels, entreprises qui veulent un modèle maison.
Ces comparaisons restent celles de l’éditeur. Elles portent sur des modèles de base, avant tout réglage, et un bon score de base ne garantit pas un bon assistant : tout dépendra de ce que les équipes en feront.
Licence, mémoire, calendrier : trois vérifications avant de bâtir dessus
Première vérification, la licence. Baidu parle de modèle ouvert, mais les poids sont publiés sous un contrat maison, l’ERNIE 5.5 Flash Base Model License Agreement, et non sous une licence open source standard. Usage commercial, redistribution d’un modèle réglé, obligations de mention : c’est ce texte qui tranche, et il se lit avant le premier budget de calcul.
Deuxième vérification, le coût réel du réglage. Avec 14 milliards de paramètres actifs, chaque requête demande peu de calcul, mais les 280 milliards doivent tenir en mémoire. Le contexte d’un million de tokens est annoncé comme une capacité du fine-tuning et de l’inférence, pas comme un acquis de l’entraînement, qui s’est arrêté à 128 000.
Troisième vérification, la dépendance à une feuille de route. Une version post-entraînée est promise. Si vous construisez un produit, mieux vaut décider si vous réglez vous-même ou si vous attendez : les deux voies ne mènent pas au même modèle, et la seconde vous remet entre les mains de l’éditeur.
Plus les laboratoires publient des bases nues, plus la qualité d’un assistant dépendra de celui qui l’a aligné et non de celui qui l’a pré-entraîné. Un classement des réglages serait alors plus utile que celui des bases.
Vous avez aimé celui-ci ?
La newsletter du vendredi réunit les articles de la semaine, avec leurs sources.
Offert à l'inscriptionMa configuration Claude Code, avec mes skills, mes sous-agents et mes hooks, prêts à copier.
Sources
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 22 évaluations
Faire appel à mes services →
