Test ERNIE-ja 5.0: u čemu je zaista jak „nativni svimodalni” model od 2,4 biliona parametara?

Ako vratimo vreme na 2023. godinu, u AI krugovima se najviše diskutovalo o: ko bolje časka, ko je ljudskiji, ko može da piše poeziju. Tadašnji veliki modeli, iskreno, bili su „stručnjaci za obradu teksta”, date mu tekst, on vam vrati tekst.

Do 2024. godine, pravac se počeo menjati. Modeli poput GPT-4V, Gemini počeli su da vide slike, ali na jednostavan način: tekst tim upravlja tekstom, vizuelni tim upravlja slikama, na kraju se dva modula spoje, nazivajući se „multimodalni”.

To je kao da u vašoj firmi imate prevodilački tim, i dizajnerski tim, oba rade odvojeno, a na kraju šef kaže: „sarađujte malo.”

22. januara 2026. godine, Baidu je zvanično objavio ERNIE veliki model 5.0, ovaj put su izabrali potpuno drugačiji put — nativni svimodalni.

2,4 biliona parametara, podržava ulaz i izlaz teksta, slika, zvuka i videa, i to ujednačeno modeliran u okviru jednog okvira.

Iskreno, kada sam video tu vest, bio sam i pun iščekivanja i sumnjičav.

Iščekivanje je jer, ako je zaista postigao „nativni svimodalni”, to bi apsolutno bio veliki proboj u oblasti velikih modela; sumnja je jer, da li ovakva tehnička putanja zaista može da pokaže prednost u stvarnoj upotrebi?

Podaci sa rang liste ma koliko lepi, na kraju su samo podaci sa rang liste. Stvarno iskustvo je prava mera.

Zato sam u prvom trenutku uradio jedan krug testiranja, iz dimenzija razumevanja videa, pisanja priča, ljudskih odnosa i više drugih, da pogledamo u čemu je zaista jak ovaj „nativni svimodalni” model od 2,4 biliona parametara.

01. Izvedba Benchmark podataka

Prvo hard-core podaci.

ERNIE 5.0 je na globalnoj autoritativnoj platformi za evaluaciju velikih modela LMArena osvojio 1459 poena, na prvom mestu u Kini, ravan vodećim modelima kao što su Claude Gemini 3, Grok 4.1.

Ovo nije šala. Znajte da je LMArena trenutno jedna od najstrožih svetskih platformi za evaluaciju velikih modela, potpuno zasnovana na glasanju stvarnih korisnika, a ne na benchmarku koji su sami proizvođači izmerili.

U više autoritativnih benchmark testova, ERNIE 5.0 tvrdi da je pobedio GPT-5 i Gemini 2.5 Pro:

• Matematička sposobnost: drugi na svetu, odmah iza GPT-5.2-High
• Multimodalno razumevanje: prevazišao Gemini-2.5-Pro, GPT-5-High
• Vizuelno razumevanje: osmi na svetu (ERNIE-5.0-Preview-1220 verzija)
• Kompletan učinak: u 40+ autoritativnih benchmark testova prevazišao GPT-5 i Gemini 2.5 Pro

Naravno, rang lista je samo za referencu, stvarno iskustvo je prava mera.

Idemo direktno na test.

02. Test razumevanja videa

Jedna od najvećih prodajnih tačaka ERNIE-ja 5.0 je „nativni svimodalni”, pa sposobnost razumevanja videa mora biti testirana.

Slučajno imam snimak ekrana razvoja PaiAgent-a u Qoder-u, uzeću njega za test.

Test prompt je sledeći:

Analiziraj strukturu ovog videa:
1. Kako video na početku privlači publiku? Koje tehnike koristi?
2. Koje narativne tehnike koristi u sredini? Kako razvija izlaganje?
3. Kako se kontroliše ritam videa? Gde ubrzava, gde usporava?
4. Kako se završava? Ima li prećutivanja ili napetosti?
5. Sveukupno, koje su prednosti i nedostaci ovog videa?

Dakle, idemo direktno na efekat.

Kako vam se čini, zar ne iznenađuje?

ERNIE 5.0 nije samo tačno razumeo sadržaj videa, već može da analizira iz više dimenzija: narativna struktura, kontrola ritma, psihologija publike. To je zaista retko.

Ovaj detalj posebno vredi: ERNIE 5.0 ne sažima prosto o čemu video govori, već zaista analizira „kako govori”. Za kreatora, ovo drugo je mnogo vrednije.

03. Šta je nativni svimodalni

Govoreći o ovome, možete pitati: šta je „nativni svimodalni”? Koja je razlika u odnosu na tradicionalni „multimodalni sa spajanjem”?

Odgovor na to pitanje zapravo leži u izboru tehničke putanje velikog modela.

Google Gemini je od početka izabrao nativni svimodalni, dok druge kompanije (kao OpenAI) koriste pristup spajanja: prevodilački tim obrađuje tekst, vizuelni tim obrađuje slike, na kraju se dva modula spoje.

To je kao:

• Pristup spajanja: u firmi imate prevodioca za engleski, francuski, nemački, svako radi svoje, na kraju šef kaže „sarađujte”
• Nativni pristup: jedan sveobuhvatni prevodilac, direktno vlada svim jezicima, u glavi mu je jedan objedinjen „jezički model”

Problem pristupa spajanja je očigledan:

• Različiti timovi se treniraju odvojeno, na kraju spajaju
• Između modalnosti nedostaje duboka interakcija
• Efikasnost i efekat imaju gubitke

A prednost nativnog pristupa je:

• Jedan mozak obrađuje sve informacije
• Združeno treniranje, ujednačeno modeliranje
• Tekst, slike, zvuk, video u istom okviru

Zašto onda ne sve kompanije rade tako?

Iskreno, tehnička težina je prevelika.

• Trošak treniranja je visok: 2,4 biliona parametara, zamislite koliko novca gori
• Dizajn arhitekture je težak: mora se od nule dizajnirati arhitektura koja obrađuje sve modalitete
• Zahtevi za podatke su visoki: potrebne su velike količine kvalitetnih multimodalnih podataka

Zato Google i Baidu biraju ovaj put: dugoročna tehnička putanja, neizbežan trend fuzije modaliteta, obavezan put ka AGI-ju.

Iskreno, videti da domaći veliki model na tehničkoj putanji više ne „prati”, već bira pravac za koji smatra da je ispravan, ovo posebno vredi.

04. Hajde da napišemo priču

Pošto je veliki model, sposobnost pisanja teksta zasigurno ne sme da fali.

Zadao sam ERNIE-ju 5.0 težak zadatak: stilom Wang Xiaobo-a, nastaviti priču o „Wang Er i Chen Qingyang”.

Test prompt je sledeći:

U stilu Wang Xiaobo-a, nastavi priču o „Wang Er i Chen Qingyang”:
- Vreme: 1990-te
- Mesto: neka farma u Yunnan-u
- Radnja: Wang Er i Chen Qingyang šetaju po puteljku kroz njive, razgovaraju o „revolucionarnom prijateljstvu”
- Zahtev: zadržati Wang Xiaobo-ov humor, apsurd i filozofiju, oko 500 znakova

Iskreno, ovo me je prilično iznenadilo.

ERNIE 5.0 nije samo uhvatio jezičke karakteristike Wang Xiaobo-a — onaj hladni humor, osećaj apsurda, i filozofiju skrivenu ispod apsurda — čak je i karaktere tačno odseo.

Wang Er-ova „bezobzirnost”, Chen Qingyang-ino „i bistra i zbunjena”, sve se pokazalo u nastavku.

Iskreno, ovaj detalj posebno vredi: ERNIE 5.0 ne imitira Wang Xiaobo-ove „rečenice”, već imitira njegov „način razmišljanja”.

To je zaista retko.

05. Da li razume ljudske odnose

Poslednji test, po meni najzanimljiviji: ljudski odnosi.

Da li veliki model može da razume kulturu kineskog radnog mesta? Da li može da da zaista praktične savete? Da li može da uzme u obzir interese i ugled svih strana?

Dizajnirao sam tri tipična scenarija sa radnog mesta.

Scenario 1: Učtivo odbijanje zahteva kolege

Scenario: radiš na važnom projektu, kolega Xiao Li dotrči i traži da mu napraviš PPT, kaže „ ionako brzo praviš PPT, pomozi mi”.

Ne želiš da pomogneš, jer:
1. Tvoj sopstveni projekat stiže
2. Xiao Li svaki put tako, nikad sam ne počne
3. Već si mu pomogao nekoliko puta

Pitanje: kako učtivo ali jasno odbiti? I ne uvrediti čoveka, i dati Xiao Li-ju do znanja da ovaj put zaista ne može.
Daj 3 predloga odgovora različitog tona.

Tri predloga koje je dao ERNIE 5.0, od blagog do direktnog, slojevito, i jasno u obzir uzima jasnost odbijanja i lice sagovornika.

Ovo je ključno: na kineskom radnom mestu, „kako odbiti” je često važnije od „šta odbiti”.

Scenario 2: Odgovor na poruku nadređenog

Scenario: petak uveče u 21 čas, nadređeni iznenada pošalje poruku na WeChat-u:
„Xiao Wang, da li si slobodan vikendom? Hitna stvar možda zahteva da prekovremeno radiš, da li ti odgovara?”

Stvarna situacija je:
1. Ovog vikenda već imaš porodični skup
2. Ove nedelje već radiš prekovremeno nekoliko dana
3. Ne želiš da nadređenom ostaviš utisak „ne voli prekovremeno”

Pitanje: kako odgovoriti? I izraziti da vikend imaš plan, i učiniti da nadređeni misli da si savesan, da si kooperativan.

Tsk, tsk, ovaj odgovor je zaista „na mestu”.

ERNIE 5.0 nije samo dao konkretne formulacije odgovora, već je razmotrio i psihologiju nadređenog — i izraziti „želim da pomognem”, i jasno staviti do znanja „ovaj put zaista ne može”, i na kraju ostaviti otvorenu temu „sledeći put zasigurno”.

Iskreno, ovo razumevanje „ljudskih odnosa” jače je nego kod mnogih mladih na radnom mestu.

Scenario 3: Suočavanje sa „stakleno-srčanim” kolegom u kancelariji

Scenario: na timskom sastanku izneo si drugačije mišljenje o nekom rešenju, kolega Xiao Zhang istog trenutka se namršti, a posle sastanka svuda govori da si ga „napao”, „samo želiš da se istakneš”.

Stvarna situacija:
1. Tvoje mišljenje je potpuno na nivou posla, nije lično
2. Xiao Zhang ovakva reakcija nije prvi put
3. Ne želiš da prekineš odnose, ali ne želiš ni da nosiš krivicu

Pitanje: kako obraditi ovu stvar? Daj 3 predloga na različitim nivoima (blaga verzija, izbalansirana verzija, direktna verzija).

Dakle, idemo direktno na efekat.

ERNIE 5.0 je dao tri nivoa predloga, svaki je uzeo u obzir:

• Nivo posla: kako gurati stvar napred
• Interpersonalni nivo: kako održavati odnos
• Psihološki nivo: kako voditi računa o osećanjima sagovornika

Ovakva sveobuhvatna razmišljanja, iskreno, prilično su me iznenadila.

06. ending

Ako bih jednom rečenicom sumirao stvarni osećaj, to bi bilo:

„Nativni svimodalni” ERNIE-ja 5.0 zaista zaslužuje ime, i što je važnije, zaista razume ljudske odnose.

Sa benchmark podataka:

• LMArena 1206 poena (kasnija verzija 1459 poena), prvi u zemlji
• U 40+ authoritativnih benchmark testova prevazišao GPT-5 i Gemini 2.5 Pro
• Matematička sposobnost druga na svetu, multimodalno razumevanje prevazišlo internacionalne vrhove

Iz stvarnog iskustva:

• Sposobnost razumevanja videa jaka, ne sažima prosto sadržaj, već analizira „kako govori”
• Nativni svimodalni je dugoročno ispravna putanja, između modalnosti ima duboke interakcije
• Pisanje priča iznenađuje, hvata stil autora, ne samo da imitira rečenice
• Razumevanje ljudskih odnosa na mestu, predlozi zaista mogu da se koriste na radnom mestu

Naravno, ima prostora za poboljšanje: ne može se direktno preko linka pročitati sadržaj videa. Nadamo se da će kasnije verzije podržati ovu funkciju.

Ko još nije iskusio može brzo da proba:

• Posetite zvanični sajt ERNIE-ja (yiyan.baidu.com) za direktno iskustvo
• Preko Qianfan platforme API poziv integrišete u svoj projekat
• Pogodno za analizu videa, kreiranje sadržaja, pametni korisnički servis i druge scenarije

Iskreno, videti da domaći veliki model na tehničkoj putanji više ne „prati”, već bira pravac za koji smatra da je ispravan, ovo posebno vredi.

ERNIE 5.0, vredi da ga probate.