Baidu treenasi ERNIE 5.1:n 6 prosentin hinnalla

Baidu julkaisi ERNIE 5.1 -mallinsa 9. toukokuuta ja teki rahanjakelun kannalta epämukavan väitteen: koulutus maksoi vain noin kuusi prosenttia siitä, mitä saman kokoluokan mallit alalla yleensä kuluttavat. Aktiiviset parametrit on puolitettu, kokonaisparametrit pakattu kolmannekseen ja AIME26-pisteissä malli päihittää kaikki paitsi Gemini 3.1 Pron. Tämä on Kiinan toinen tehokkuusisku DeepSeekin jälkeen, ja se asettaa OpenAI:n ja Anthropicin selittämään, miksi heidän miljardiluokan investointinsa ovat välttämättömiä.

Mitä '6 prosenttia' tarkoittaa konkreettisesti

Baidu kertoi 8. toukokuuta julkaisemassaan teknisessä blogissa, että ERNIE 5.1:n esikoulutus maksoi noin kuusi prosenttia siitä, mitä saman mittakaavan vertailumallit kuluttavat. Luku koskee pelkkää esikoulutusvaihetta, ei päättelyä tai jatkokoulutusta. Yhtiö ei paljasta absoluuttisia dollarimääriä eikä laitteiston yksityiskohtia, mutta antaa kaksi kovaa lukua: kokonaisparametrit on pakattu noin kolmannekseen ERNIE 5.0:n koosta, ja per kysely aktivoituvat parametrit on puolitettu. MoE-arkkitehtuurissa pieni aktiivinen osuus tarkoittaa, että vain murto-osa mallista käynnistyy yksittäisellä kyselyllä, mikä tiputtaa myös palvelinkustannuksia.

Once-For-All -kehys teki tempun

Tehokkuus syntyy menetelmästä nimeltä multi-dimensional elastic pre-training. Sen sijaan että Baidu olisi treenannut erikseen pienen, keskikokoisen ja ison mallin, yhtiö koulutti yhden joustavan MoE-mallin, jossa syvyys (Transformer-kerrosten määrä), leveys (asiantuntijoiden kapasiteetti) ja aktiivisten asiantuntijoiden top-k-reititys vaihtelevat dynaamisesti. ERNIE 5.1 louhittiin tästä perheestä alimalliksi. Käytännössä yksi kallis koulutusajo tuottaa monta tuotetta, ja päällekkäisiltä laskutoimituksilta vältytään.

Toinen palanen on vahvistusoppimisputken hajauttaminen. Baidu kertoo purkaneensa aiemmin tiukasti yhteen kytketyn RL-pinon itsenäisiksi ja vaakasuunnassa skaalautuviksi osiksi. Hidas komponentti ei pysäytä koko ajoa. Asynkroninen RL on viime kuukausien iso tehokkuustrendi myös länsimaisissa laboratorioissa, mutta Baidu on nyt ensimmäisten joukossa esittelemässä konkreettisia tuotantotuloksia.

AIME26-pisteet 99,6: mitä se kertoo

AIME26 on yhdysvaltalaisen American Invitational Mathematics Examination -kilpailun tehtäväsarja vuodelta 2026. Se on yksi standardimittareista, joilla mitataan kielimallien matemaattista päättelykykyä. ERNIE 5.1 saa 99,6 pistettä työkalukäytön kanssa, eli malli sai suorittaa koodia ja käyttää laskimia osana ratkaisua. Vain Gemini 3.1 Pro yltää korkeammalle.

Search Arena -mittaristossa (LMArena Search) ERNIE 5.1 sijoittuu 1223 pisteellä neljänneksi maailmassa ja ensimmäiseksi kiinalaisten mallien joukossa. Tulos perustuu oikeisiin käyttäjäarvioihin, ei syntetisoituun testidataan. Agenttibenchmarkeissa τ³-bench ja SpreadsheetBench-Verified malli ohittaa DeepSeek V4-Pron, mikä on huomionarvoista koska DeepSeek pidettiin viime vuoteen asti Kiinan tehokkuuskärkenä.

Kiinan toinen tehokkuusisku: DeepSeek aloitti, Baidu jatkaa

DeepSeek shokeerasi alaa vuoden 2025 alussa osoittamalla, ettei vahva päättelymalli vaadi kymmeniä tuhansia huippuluokan grafiikkasiruja. Tuolloin OpenAI:n ja Anthropicin yksityisarvostukset heiluivat, ja Nvidian osakekurssi otti yhden vuotensa kovimmista yhden päivän rapautumisistaan. Baidu seuraa nyt samoilla linjoilla, mutta painottaa nimenomaan koulutusvaiheen halpuutta yhdistettynä kärkitason benchmarktuloksiin.

Viesti yhdistettynä on selvä: kun Yhdysvallat painaa kiihtyvällä tahdilla H200- ja Blackwell-klustereita kymmenien miljardien dollareiden vuosibudjeteilla, Kiina vastaa algoritmisilla oikoteillä. OpenAI:n viimeisin rahoituskierros perustui oletukseen, että huipputason mallit vaativat satojen miljardien laskentakapasiteetin. Jos kiinalaiset osoittavat, että saman tason malliin pääsee kuudella prosentilla menoista, sijoittajat alkavat kysyä, mihin raha menee. Anthropic on profiloitunut tehokkuus- ja turvallisuusvetoiseksi toimijaksi, mutta heidänkin täytyy nyt vastata numeroilla, ei vain narratiiveilla.

Mitä tämä tarkoittaa suomalaisille yrityksille

Kustannustehokkaammat mallit valuvat ennen pitkää API-hintoihin ja avoimien painojen jakeluun. Jos Baidun lähestymistapa leviää, ja se leviää koska menetelmäjulkaisut ovat luettavissa, suomalaiset palveluyritykset voivat odottaa rahallisesti kannattavien tekoälykokeilujen kynnyksen alenevan. Pienen kielimallin pyörittäminen omalla koodikannalla tai asiakaspalveludatalla muuttuu helpommaksi, kun infrastruktuurivaatimukset laskevat. Helsingin tekoälyaloittajat eivät tarvitse 50 miljoonan rahoituskierrosta, jos halvempi avoimempi malli riittää tuotteen ytimeen.

Toinen puoli on geopoliittinen. Mitä halvemmaksi tehokas mallinkehitys käy, sitä useammat valtiot ja yritykset pääsevät pelin sisään. EU:lle ja erityisesti Suomelle tämä on ovi auki: tekoälyn kahden suurvallan jako voi venyä, jos kolmannet osapuolet pystyvät rakentamaan kilpailukykyisiä malleja maltillisilla budjeteilla. Toisaalta riippuvuus kiinalaisesta tutkimuspohjasta nostaa kysymyksiä huoltovarmuudesta ja datapolitiikasta.

Mitä Baidu ei kerro

Lukuihin liittyy varauma. Baidu ei julkaise koulutuksen kokonaisrahasummaa, käytetyn raudan määrää eikä laskentatuntien numerollista vertailua. Kuuden prosentin luku on yhtiön oma laskelma, ja vertailupohja on häilyvä: mihin malliin verrataan, millä mittakaavalla ja millä oletuksilla. Tehokkuusbenchmark on uskottava vasta kun riippumaton osapuoli toistaa luvut. DeepSeekin tapauksessa epäilijät joutuivat lopulta tunnustamaan tehokkuuden aitouden, vaikka esitettyjä lukuja oli kaunisteltu. ERNIE 5.1 ansaitsee saman tarkastelun.

Seuraavat kaksi kuukautta paljastavat, miten OpenAI ja Anthropic reagoivat. Jos länsimaiset laboratoriot vastaavat parametri- ja kustannustehokkailla julkistuksilla, Baidu on pakottanut alan uuteen kilpailusarjaan jossa skaala ei ole ainoa valuutta. Jos vastausta ei tule, sijoittajat alkavat tehdä kiusallisia kysymyksiä raaka-aineiden hinnasta. Kumpikaan polku ei ole länsiyhtiöille mukava.