Sortie d'ERNIE 5.1 : Le Modèle Multimodal de Baidu Renforce les Outils des Créateurs

À partir du 11 mai 2026, Baidu a déployé ERNIE 5.1 avec des améliorations claires en profondeur de raisonnement, cohérence textuelle et gestion des tâches agentiques. Le modèle intègre la recherche de manière plus étroite que son prédécesseur et montre des performances plus fortes sur les problèmes complexes multi-étapes. Les premiers résultats de benchmark le placent en compétition avec les systèmes de pointe tout en maintenant des coûts d'inférence modestes. Le support des entrées multimodales s'est également amélioré, permettant des transitions plus fluides entre les flux de données texte, image et vidéo. C'est le genre de saut itératif que les laboratoires chinois ont livré récemment, visant directement l'utilisabilité pratique plutôt que les nombres de paramètres en une ligne.

Un meilleur raisonnement et des fonctionnalités agentiques permettent aux créateurs de construire des workflows plus longs et plus fiables sans supervision constante. Le raffinement des prompts devient plus rapide, la cohérence des scènes à travers les images et vidéos s'améliore, et les branches d'histoires interactives deviennent plus faciles à maintenir. Je vais être franc avec vous : après avoir exécuté quelques chaînes de test moi-même, la réduction du besoin de re-prompt à chaque étape semble vraiment utile. Des avancées comme les mises à niveau du raisonnement multimodal d'ERNIE 5.1 sont exactement le genre d'améliorations fondamentales qui alimentent des générateurs de vidéos et d'images IA de nouvelle génération plus contrôlables, efficaces et créatifs pour les créateurs, comme vu dans la couverture d'outils comme Happy Horse 1.0 NSFW Video et ses limitations.

Trois capacités se distinguent pour quiconque construit des pipelines d'images ou de vidéos. - Les chaînes de tâches agentiques améliorées permettent au modèle de planifier et d'exécuter des prompts multi-étapes sans intervention constante de l'utilisateur, utile pour générer des séquences de personnages cohérentes à travers des images fixes et des clips courts.

• La fusion multimodale améliorée gère les entrées mixtes texte-et-image de manière plus fiable, réduisant la dérive lors de l'itération à partir de cadres de référence vers la vidéo.
• Une génération de texte native plus forte produit des prompts plus clairs et détaillés que les outils en aval peuvent suivre avec moins de corrections.
• L'échelle rentable maintient les sessions plus longues pratiques même lors du chaînage de plusieurs étapes créatives. Celles-ci ne sont pas révolutionnaires en elles-mêmes, mais ensemble elles réduisent les frictions dans le travail créatif quotidien.

En termes de vitesse, ERNIE 5.1 tient tête à la dernière version GPT-5.5 Instant et devance certaines variantes Gemini dans les tâches de style agent. Le coût par token reste attractif pour les sessions créatives prolongées. La flexibilité créative est là où l'écart se réduit le plus : les modèles occidentaux mènent encore en gamme stylistique brute, pourtant l'intégration plus étroite de la recherche d'ERNIE 5.1 lui donne un avantage lorsque les créateurs ont besoin d'un ancrage factuel dans des scènes fictives. Honnêtement, mon échantillon complètement non scientifique d'un seul suggère que la différence dépend souvent de l'écosystème dans lequel vous vivez déjà plutôt que d'une supériorité absolue.