Если ваш принтер ревнует к искусственному интеллекту — успокойте его: теперь внимание забирают не степлеры, а диаграммы. Baidu представила ERNIE 5.0 — собственную омнимодальную модель, которая, по слайдам Baidu World 2025, догоняет и местами обгоняет GPT‑5 и Gemini 2.5 Pro на задачах мультимодального рассуждения, понимания документов и вопросов по изображениям.
Главная фишка — «родная» мультимодальность: единая архитектура для текста, картинок, аудио и видео без пост‑склейки. На визуальных задачах ERNIE 5.0 показывает лидирующие результаты в OCRBench, DocVQA и ChartQA — то, что особенно нужно предприятиям для автопонимания документов и аналитики графиков. В генерации изображений, по внутренним оценкам, модель сравнима или лучше Veo3, а по аудио — конкурентоспособна на MM‑AU и TUT2017. Есть и ERNIE 5.0 Preview 1022, заточенная под текст: сильнее на языковых задачах и особенно хороша на китайском.
Модель проприетарная и доступна через ERNIE Bot и API Qianfan. Ценообразование — премиум: ориентиры $0.85 за 1M входных и $3.40 за 1M выходных токенов, заметно выше ERNIE 4.5 Turbo, но ниже многих флагманов в США. Логика проста: дешёвый трафик — на «турбо», сложные кейсы — на ERNIE 5.0.
Параллельно Baidu разворачивает глобальные продукты: агент GenFlow 3.0 (20M+ пользователей), саморастущий агент Famou (по инвайтам), no‑code конструктор MeDo и рабочее пространство Oreate. «Цифровые люди» уже штампуют трансляции в Бразилии, а роботакси Apollo Go перевалило за 17 млн поездок в 22 городах.
Чтобы усилить давление на закрытую гонку, компания выложила опенсорс ERNIE‑4.5‑VL‑28B‑A3B‑Thinking (Apache 2.0, MoE, «думает с картинками», крутится на одной 80GB GPU). Сообщество уже нашло баг со странным вызовом инструментов в ERNIE 5.0 — Baidu подтвердила и чинит.
Итог: заявка на флагманский уровень в мультимодальности, разумные цены для энтерпрайза и двойная стратегия — премиальный API плюс открытая альтернатива. Независимая валидация ещё впереди, но на ближайший сезон ERNIE 5 выглядит как серьёзная альтернатива крупным закрытым моделям.