Baiduov novi AI model cilja tamo gdje utrka najviše boli: cijenu treninga

Baidu je upravo lansirao Ernie 5.1, jezični model koji ne samo da smanjuje broj parametara na trećinu prethodne verzije, već i troškove predtreninga svodi na samo 6% onoga što zahtijevaju usporedivi modeli. Taj skok u efikasnosti ostvaren je zahvaljujući inovativnom pristupu nazvanom 'Once-For-All', koji omogućuje izdvajanje manjih, specijaliziranih podmodela iz jedne jedinstvene trening sesije. Umjesto da se svaki podmodel trenira zasebno, Ernie 5.1 koristi zajedničku osnovu, čime se štedi vrijeme i resursi bez žrtvovanja performansi.

Rezultati govore sami za sebe: na Search Arena ljestvici, Ernie 5.1 zauzima četvrto mjesto globalno, odmah iza dvije varijante Claude Opusa i GPT-5.5 Search. To je impresivan rezultat s obzirom na to da model koristi značajno manje parametara od konkurencije. Prema podacima objavljenim na The Decoder, Ernie 5.1 postiže 1.223 boda, što ga stavlja ispred DeepSeek-V4-Pro u zadacima autonomnih AI agenata.

Ova činjenica dodatno naglašava da veličina modela nije jedini put do vrhunskih performansi.

Dodatni kontekst pruža izvorni materijal, iako ostaje pitanje koliko su ovi benchmark rezultati reprezentativni za stvarne scenarije korištenja. Iako Ernie 5.1 pokazuje izvanredne performanse u kontroliranim testovima, industrijski igrači često ističu da se stvarna vrijednost modela mjeri u produkcijskim okruženjima. Baidu je ovdje u prednosti jer već godinama integrira Ernie modele u svoje usluge, od pretraživača do chatbota, što mu daje jedinstvenu priliku za brzu validaciju u realnom svijetu.

Ono što Ernie 5.1 donosi kao najvažniju lekciju jest da inovacije u arhitekturi i trening metodama mogu nadoknaditi nedostatak sirovog obujma parametara. To bi moglo potaknuti pomak u industriji, gdje su dosad dominirali modeli s milijardama parametara i troškovima koji su za većinu kompanija nedostižni. Ako se ovaj pristup pokaže skalabilnim, mogao bi otvoriti vrata manjim igračima i akademskim institucijama za razvoj konkurentnih modela bez potrebe za superračunalima.