ERNIE 5.1 Релиз: Мултимодалният модел на Baidu подобрява инструментите за създатели

Към 11 май 2026 г. Baidu пусна ERNIE 5.1 с ясни подобрения в дълбочината на разсъжденията, текстовата кохерентност и обработката на агентни задачи. Моделът интегрира търсенето по-тясно от предшественика си и показва по-силна производителност при сложни многостъпкови проблеми. Ранните резултати от бенчмарковете го поставят конкурентно срещу водещи системи, като поддържат скромни разходи за инференция. Поддръжката за мултимодални входове също е подобрена, позволявайки по-гладки преходи между текстови, изображителни и видео потоци от данни. Това е видът итеративен скок, който китайските лаборатории доставят напоследък, насочен директно към практическа употреба, а не към заглавия за броя параметри.

По-добрите способности за разсъждения и агентни функции позволяват на създателите да изграждат по-дълги, по-надеждни работни потоци без постоянно ръководене. Усъвършенстването на prompt-овете става по-бързо, последователността на сцените в изображения и видео се подобрява, а интерактивните сюжетни разклонения стават по-лесни за поддържане. Ще бъда откровен с вас: след като изпробвах няколко тестови вериги, намалената нужда от повторно prompt-ване на всеки няколко стъпки се усеща наистина полезно. Напредък като подобренията в мултимодалните разсъждения на ERNIE 5.1 са точно този вид фундаментални подобрения, които захранват по-контролируеми, ефективни и креативни генератори на AI видео и изображения от следващо поколение за създателите, както се вижда в покритието на инструменти като Happy Horse 1.0 NSFW Video и неговите ограничения.

Три способности се открояват за всеки, който изгражда pipeline-и за изображения или видео. - Подобрените агентни вериги от задачи позволяват на модела да планира и изпълнява многостъпкови prompt-ове без постоянна намеса на потребителя, полезно за генериране на последователни последователности от герои в снимки и кратки клипове.

• Подобреното мултимодално сливане обработва смесени текстови и изображителни входове по-надеждно, намалявайки отклоненията при итерация от референтни кадри към видео.
• По-силното родно генериране на текст произвежда по-ясни, по-подробни prompt-ове, които следващите инструменти могат да следват с по-малко корекции.
• Ефективното по разходи мащабиране поддържа по-дългите сесии практични дори при верижно свързване на няколко творчески стъпки. Те не са революционни сами по себе си, но заедно намаляват триенето в ежедневната работа на създателите.

По отношение на скоростта ERNIE 5.1 се справя наравно с последната версия на GPT-5.5 Instant и превъзхожда някои варианти на Gemini при задачи в стил агент. Цената на токен остава привлекателна за продължителни творчески сесии. Творческата гъвкавост е мястото, където разликата се стеснява най-много: западните модели все още водят по отношение на чисто стилистичното разнообразие, но по-тясната интеграция на търсенето при ERNIE 5.1 му дава предимство, когато създателите се нуждаят от фактическа основа във фикционални сцени. Честно казано, моята напълно ненаучна извадка от един предполага, че разликата често се свежда до това в коя екосистема вече живеете, а не до пълно превъзходство.