Релиз ERNIE 5.1: Мультимодальная модель Baidu улучшает инструменты для создателей

С 11 мая 2026 года Baidu выпустила ERNIE 5.1 с заметными улучшениями в глубине рассуждений, связности текста и обработке агентных задач. Модель интегрирует поиск более плотно, чем её предшественница, и демонстрирует более высокую производительность в сложных многоступенчатых задачах. Ранние результаты бенчмарков ставят её на конкурентный уровень с передовыми системами, сохраняя при этом умеренные затраты на инференс. Поддержка мультимодального ввода также улучшена, что позволяет плавнее переключаться между текстовыми, изображёнными и видео-данными. Это именно тот итеративный скачок, который китайские лаборатории активно предлагают в последнее время — с акцентом на практическую пользу, а не на громкие цифры параметров.

Улучшенные возможности рассуждений и агентных функций позволяют создателям строить более длинные и надёжные рабочие процессы без постоянного вмешательства. Уточнение промптов ускоряется, согласованность сцен в изображениях и видео повышается, а интерактивные сюжетные ветки становится проще поддерживать. Честно скажу: после нескольких тестовых цепочек я заметил, что необходимость переписывать промпты каждые несколько шагов действительно снизилась. Такие улучшения мультимодального рассуждения в ERNIE 5.1 — это именно та фундаментальная база, которая даёт больше контроля, эффективности и креатива в следующем поколении генераторов AI-видео и изображений для авторов, как показано в обзорах инструментов вроде Happy Horse 1.0 NSFW Video и их ограничений.

Три возможности особенно выделяются для тех, кто строит пайплайны изображений или видео. - Улучшенные агентные цепочки задач позволяют модели планировать и выполнять многоэтапные промпты без постоянного участия пользователя — удобно для генерации последовательных персонажей в статичных кадрах и коротких клипах.

• Улучшенное мультимодальное слияние надёжнее обрабатывает смешанные текстовые и графические вводы, снижая расхождения при итерациях от референсных кадров к видео.
• Более сильная нативная генерация текста создаёт чёткие, детализированные промпты, которые downstream-инструменты выполняют с меньшим количеством правок.
• Эффективное масштабирование по стоимости делает длинные сессии практичными даже при объединении нескольких творческих этапов. По отдельности эти фичи не революционны, но вместе они заметно снижают трение в ежедневной работе создателей.

По скорости ERNIE 5.1 уверенно держится на уровне последнего релиза GPT-5.5 Instant и опережает некоторые варианты Gemini в агентных задачах. Стоимость за токен остаётся привлекательной для длительных творческих сессий. Творческая гибкость — та область, где разрыв сокращается сильнее всего: западные модели всё ещё лидируют в сыром стилистическом диапазоне, зато более тесная интеграция поиска у ERNIE 5.1 даёт преимущество, когда создателям нужно фактическое обоснование внутри вымышленных сцен. Честно, по моей совершенно ненаучной выборке из одного теста разница часто сводится к тому, в какой экосистеме вы уже работаете, а не к абсолютному превосходству.