ERNIE 5.1 リリース: Baiduマルチモーダルモデルがクリエイターツールを強化

2026年5月11日、BaiduはERNIE 5.1をリリースし、推論の深さ、テキストの一貫性、エージェントタスク処理が明らかに向上しました。このモデルは前身よりも検索をより緊密に統合し、複雑なマルチステップ問題でより強力なパフォーマンスを発揮します。初期ベンチマーク結果は、推論コストを抑えつつ、最先端システムと競争力のある位置にあります。マルチモーダル入力サポートも改善され、テキスト、画像、ビデオデータストリーム間のスムーズなハンドオフを可能にしています。これは最近中国のラボが提供している反復的な進化の例で、見出しのパラメータ数ではなく、実用的な使いやすさを重視したものです。

優れた推論機能とエージェント機能により、クリエイターは頻繁な手直しなしに、より長く信頼性の高いワークフローを構築できます。プロンプトの洗練が速くなり、画像とビデオ全体のシーン一貫性が向上し、インタラクティブなストーリーブランチの維持も容易になります。正直に言うと、自分でいくつかのテストチェーンを実行した後、数ステップごとに再プロンプトする必要が減ったのは本当に便利だと感じました。ERNIE 5.1のマルチモーダル推論アップグレードのような進化は、まさに次世代AIビデオ・画像ジェネレーターをより制御しやすく効率的で創造的なものにする基盤となる改善です。Happy Horse 1.0 NSFW Videoなどのツールに関する報道でもその限界が指摘されています。

画像やビデオのパイプラインを構築する人にとって、3つの機能が際立っています。

• 強化されたエージェントタスクチェーンにより、ユーザーの常時介入なしにモデルが多段階プロンプトを計画・実行でき、静止画や短いクリップ全体で一貫したキャラクターシーケンスを生成するのに役立ちます。
• 改善されたマルチモーダル融合により、テキストと画像の混合入力をより確実に処理し、リファレンスフレームからビデオへの反復時のドリフトを低減します。
• 強力なネイティブテキスト生成により、下流ツールがより少ない修正で従える明確で詳細なプロンプトを作成します。
• コスト効率の高いスケーリングにより、複数のクリエイティブステップを連鎖させても長いセッションが実用的です。これらは単独では革命的ではありませんが、組み合わせることで日常のクリエイター作業の摩擦を軽減します。

速度面では、ERNIE 5.1は最新のGPT-5.5 Instantリリースと互角で、エージェント系タスクでは一部のGeminiバリアントを上回ります。トークンあたりのコストは長時間のクリエイティブセッションに魅力的です。クリエイティブな柔軟性では差が最も縮まっています。西洋モデルは依然として生のスタイル範囲でリードしていますが、ERNIE 5.1の検索統合の強化により、架空のシーン内で事実に基づく根拠が必要な場合に優位性があります。正直に言うと、完全に非科学的な私のサンプル1つでは、違いは優位性ではなく、すでにどのエコシステムにいるかによることが多いようです。