Glimpse vs. LFM2.5 2.6B Base: Eines davon kann eine Frage nicht beantworten

Glimpse ist Elorians Forschungsvorschau zum visuellen Schlussfolgern, veröffentlicht am 16. Oktober 2026, und ihr Verkaufsargument ist ein Verhalten: Während es denkt, kann es zum Bild oder zum Video zurückkehren, ein 0,9-Sekunden-Intervall mit dichterer Bildrate erneut durchsuchen, in einen Bereich hineinzoomen oder ein Merkmal über die Zeit verfolgen – und erst dann antworten. LFM2.5 2.6B Base ist ein Checkpoint mit 2,69 Milliarden Parametern, den Liquid AI am 4. August 2026 unter der LFM Open License v1.0 veröffentlicht hat, und es besitzt überhaupt kein Instruction-Tuning – es wurde nie darauf trainiert, irgendetwas zu beantworten. Gibt man ihm eine Frage, setzt es den Text fort – plausibel, im Register dessen, was vorausging. Das ist kein Defekt und kein fehlendes Release; es ist die Spezifikation. Das Erste, was man zu dieser Paarung sagen muss, ist also, dass es sich nicht um ein Duell zwischen zwei Modellen unterschiedlicher Qualität handelt. Es ist ein Duell zwischen einer Fähigkeit, die man mietet, und einem Rohstoff, den man trainiert, und der eine Umstand, der zwischen ihnen entscheidet, ist, ob die Arbeit, die man hat, eine Frage oder ein Datensatz ist.

Alles Folgende folgt daraus, einschließlich der Tatsache, dass nur eine dieser beiden eine Benchmark-Tabelle hat – und es ist nicht die, die ein Leser vermuten würde.

Zwei Objekte, beschrieben ohne das Marketing

Glimpse hat kein herunterladbares Artefakt. Elorian veröffentlicht weder eine Parameteranzahl noch eine Architektur, kein Kontextfenster und keinen Namen für das Open-Weights-Basismodell, auf dem es eigenen Angaben zufolge nachtrainiert wurde. Was existiert, ist eine API und eine Chat-Oberfläche mit kostenloser Anmeldung, einem Preis von 0,60 $ pro Million Eingabe-Tokens und 3,00 $ pro Million Ausgabe-Tokens sowie eine Reihe ausgearbeiteter Verläufe, die zeigen, wie das Modell mitten im Gedankengang auf visuelle Belege zurückkommt. Sein visueller Notizraum – die Oberfläche, auf der es erneut prüft, was es gesehen hat – ist das Produkt.

LFM2.5 2.6B Base ist die exakte Umkehrung. Es ist eine Datei. Dreißig Schichten, davon 22 dual-gated Short-Convolution-Blöcke und 8 Grouped-Query-Attention; rund 34 Billionen Trainings-Tokens über 16 Sprachen; ein Kontextfenster von 131.072 Token; ein quantisierter Build von etwa 1,67 GB. Es ist text-only, es ist dense, und es wird bewusst nicht bewertet, denn die Bewertung eines Base-Checkpoints anhand von Instruction-Following-Benchmarks würde eher das Fehlen von Fine-Tuning messen als die Qualität des Substrats.

• Was Sie erhalten — Glimpse: ein API-Schlüssel und ein gehosteter Endpunkt. LFM2.5 2.6B Base: Gewichte, ein Tokenizer und eine Lizenz.

• Modalität — Glimpse: Bilder und Video als Eingabe, mit re-entrantem Sampling über die Zeit. LFM2.5 2.6B Base: Text als Eingabe, Text als Ausgabe.

• Preis — Glimpse 0,60 $ / 3,00 $ pro Million Tokens, vom Anbieter veröffentlicht. LFM2.5 2.6B Base: keine Kosten pro Aufruf; die Hardware stellen Sie selbst bereit.

• Veröffentlichte Größe — für Glimpse nicht offengelegt, was für ein gehostetes Modell ungewöhnlich ist und selbst die Offenlegung darstellt. 2,69 Mrd. dicht für LFM2.5 2.6B Base, jedes Gewicht im Repository sichtbar.

• Standardverhalten — Glimpse beantwortet Fragen zu dem, was es sich angesehen hat. LFM2.5 2.6B Base setzt deinen Text fort, denn genau das ist es, was das Pretraining erzeugt.

• Lizenz — Glimpse ist eine gehostete Vorschau zu Elorians Bedingungen. LFM Open License v1.0, kostenlos unter 10 Mio. USD Jahresumsatz, ab dieser Grenze ist eine separate Lizenz erforderlich.

Warum hat nur einer davon eine Scorecard?

Das ist der Teil, der sich rückwärts liest. Das Modell ohne Gewichte, ohne offengelegte Größe und ohne unabhängige Bewertung veröffentlicht eine zwölfzeilige Benchmark-Tabelle gegen GPT-6 Astra. Das Modell, bei dem jedes Gewicht veröffentlicht und die Architektur vollständig dokumentiert ist, veröffentlicht nichts.

Beide Lücken sind rational, und sie bedeuten Entgegengesetztes, deshalb lohnt es sich, sie zu trennen.

Glimpses Tabelle ist vom Anbieter gemeldet und nicht reproduziert — Elorians eigene Zahlen, gegen die eigene Auswahl an Konkurrenten, ermittelt mit dem höchsten Denkaufwand des Modells und seinem nativen Agent-Harness, mit einer Fußnote, die offenlegt, dass mehrere Wettbewerber unterhalb ihres maximalen Aufwands ausgeführt wurden und dass die HSS-Zeile in Papers berichtete Werte aus anderen Labors einmischt. Als Aussage über die Richtung gelesen, ist sie informativ; als Punktzahl gelesen, ist sie noch kein Beleg, weil niemand außerhalb des Unternehmens sie ausgeführt hat. Und am nützlichsten ist die Tabelle dort, wo sie unschmeichelhaft ist: Glimpse erreicht 46,36 bei Humanity's Sixth Sense gegenüber Astras 53,6 – in einem Benchmark, den Elorian selbst mit Scale AI erstellt hat. Das Zurückspulen erkauft Wahrnehmung — Zählen, Diagrammlesen, Verfolgen eines Objekts in Bewegung — und erkauft keine Rückschlüsse darüber, was eine Szene impliziert.

Die Leerstelle bei LFM2.5 2.6B Base ist von anderer Art. Es gibt nichts zu bewerten. Ein Basis-Checkpoint hat kein Verhalten; er hat eine Verteilung. Liquid AI benchmarkt stattdessen das nachtrainierte Geschwistermodell in der Familie, was die richtige Ingenieursentscheidung ist und Ihnen exakt null darüber sagt, ob das Substrat für Ihre Aufgabe geeignet sein wird.

Diese Asymmetrie hat eine praktische Konsequenz. Für Glimpse lautet die Evaluierungsfrage: „Wird die Behauptung des Anbieters meinem Clip standhalten?“ Für LFM2.5 2.6B Base lautet die Evaluierungsfrage: „Kann ich daraus etwas trainieren, das funktioniert?“ – und die zweite Frage ist heute beantwortbar – von Ihnen – für den Preis eines Downloads. Der 1,67 GB große Build passt auf einen Laptop; die Trainingsschleife ist die Arbeit.

Die Einheiten lassen sich nicht umrechnen, also rechne sie manuell um.

Ein Preis pro Token und ein kostenloser Download lassen sich nicht direkt miteinander vergleichen – genau hier schummeln die meisten Vergleiche dieser Art ganz still und leise. Der ehrliche Weg ist, sich eine Aufgabe vorzunehmen und beide Wege durchzurechnen.

Nehmen Sie eine eng umrissene, hochvolumige Aufgabe, für die ein kleines Fine-Tuning wirklich gut geeignet ist: einen festen Dokumenttyp lesen und strukturiertes JSON ausgeben, 50 Millionen Tokens pro Monat verarbeiten, etwa die Hälfte Eingabe und die Hälfte Ausgabe. Bei Glimpse sind das etwa 90 $ pro Monat — 15 $ Eingabe zu 0,60 $ pro Million, 75 $ Ausgabe zu 3,00 $ — plus die Entwicklungszeit für Prompting und Validierung. Bei LFM2.5 2.6B Base ist die Inferenz kostenlos, und die Rechnung verlagert sich vollständig nach vorn: ein paar tausend annotierte Beispiele zusammenstellen, ein Trainingslauf auf der eigenen Karte, ein Evaluationsset und ein erneuter Lauf jedes Mal, wenn sich das Dokumentformat ändert.

Aus dieser Rechnung ergeben sich zwei Dinge, die leicht zu übersehen sind.

Das Erste ist, dass das Fine-Tuning bei den Kosten erst oberhalb einer Volumenschwelle gewinnt, und die Schwelle wird davon bestimmt, wie viel Engineering Ihr Team verkraften kann, und nicht von irgendetwas, das Liquid AI veröffentlicht. Ein Team ohne Trainingskapazität hat auf dieser Seite des Vergleichs überhaupt keinen Break-even-Punkt, was eine reale und häufig entscheidende Tatsache ist.

Das Zweite ist, dass Glimpse' eigene Preisbehauptungen auf etwas ganz anderes abzielen. Elorian stellt $0.60/$3.00 als 94 % unter GPT-6 Astra mit $10/$50 und 85 % unter Claude Opus 5.5 mit $4/$20 dar. Gegenüber Frontier-Flaggschiffen ist Glimpse günstig. Gegenüber dem Kleinmodell-Ende — einem 2,6-Milliarden-Checkpoint, der Ihnen gehört, oder einer Volumen-Spur wie A​libabas Qwen3.8-Flash zu $0.15/$0.47 — ist es die teure Seite des Vergleichs, und der Artikel neben diesem über Q​wen 3.8 rechnet das mit den echten Preislisten durch. Die Rabattbehauptung eines Anbieters ist immer relativ zu der Vergleichsgruppe, die der Anbieter gewählt hat.

Wie Sie den Test tatsächlich ausführen würden

Der obige Vergleich ist nur dann etwas wert, wenn er günstig durchzuführen ist, und das praktische Hindernis besteht darin, dass die beiden Seiten in unterschiedlichen Systemen leben: ein gehosteter Endpunkt mit einem einzigen Schlüssel und eine Trainingsschleife, die in einem Modell endet, das man irgendwo bereitstellen muss. Das in einen A/B-Test auf der eigenen Workload zu überführen, ist der Punkt, an dem eine Routing-Schicht ihren Platz verdient, und die Argumentation ist dieselbe, ob man nun einen Fine-Tune mit einer API oder zwei APIs miteinander vergleicht.

OrcaRouter stellt einen Text-Endpunkt und jedes veröffentlichte Modell Seite an Seite hinter einem Schlüssel bereit — über 200 Modelle, Anbieter-Listenpreis durchgereicht, ohne dass pro Token etwas hinzugefügt wird, eine Rechnung, und automatisches Failover, damit ein schlechter Nachmittag eines Anbieters nicht zum schlechten Nachmittag deiner Evaluation wird. Weder Glimpse noch LFM2.5 2.6B Base steht in diesem Katalog, und keine LFM2.5-Variante ist dort: Glimpse kommt aus Elorians eigener API und Chat-Oberfläche, und der Liquid-Checkpoint kommt von Liquid AI, beides Dinge, die du direkt beziehst. Was die Routing-Schicht ändert, ist die Kontrollgruppe. Wenn die Frage lautet: „Ist mein Fine-Tuning tatsächlich besser als einfach etwas aufzurufen?“, dann möchtest du, dass dieses Etwas eine Konfigurationsänderung statt eines Beschaffungszyklus ist, denn das Experiment, das du heute Nachmittag durchführen kannst, ist das einzige, das eine Zahl liefert.

Wohin Fine-Tuning Sie nicht bringt, egal in welcher Größe

Dies ist der Teil des Vergleichs, der sich nicht in eine Kostenfrage auflöst, und er ist der Grund dafür, dass diese beiden in keiner Richtung Substitute füreinander sind.

Glimpses Fähigkeit ist temporal und visuell. Objektidentität über einen Schnitt hinweg, ein Ereignis innerhalb eines Subsekunden-Fensters, eine Anzahl, die sich ändert, wenn etwas verdeckt wird — ein Rückspulmechanismus adressiert genau das, und die Spuren zeigen, ob das Modell das entscheidende Intervall tatsächlich erneut gescannt hat. Durch noch so viel Fine-Tuning eines reinen 2,69B-Text-Checkpoints entsteht dieses Verhalten nicht, denn das Substrat hat keinen Videoeingang und keinen Mechanismus, um nach einem ersten Durchlauf zusätzliche Rechenleistung für ein bestimmtes Intervall aufzuwenden. Man kann sich nicht in eine Architektur hineintrainieren, die man nicht gebaut hat.

Das Umgekehrte gilt ebenso unumstößlich. Eine gehostete Vorschau, deren Parameteranzahl, Kontextfenster und Basismodell sämtlich nicht offengelegt sind, lässt sich nicht in einem regulierten Produkt ausliefern, nicht air-gapped betreiben und ihre Verfügbarkeit nicht garantieren. Und die Preisliste einer Forschungsvorschau kann sich jederzeit ändern, was für einen Test in Ordnung und für ein Kostenmodell unangenehm ist.

Die ehrliche Zusammenfassung ist also nicht, dass das eine besser ist. Sie ist, dass ein Team mit einer Textaufgabe und einem Datensatz sich den Checkpoint ansehen sollte, ein Team mit einer zeitlichen visuellen Frage sich die Vorschau ansehen sollte und ein Team, das weder das eine noch das andere hat, noch keinen Grund hat, sie zu vergleichen.

Drei Bedingungen und was jede davon impliziert

Wenn deine Aufgabe eng umrissen und rein textbasiert ist und du ein paar tausend gelabelte Beispiele hast – oder kaufen kannst –, dann ist LFM2.5 2.6B Base das wertvollere Objekt, weil du am Ende das Artefakt besitzt und Strom statt Tokens bezahlst. Lade zuerst den 1,67 GB großen Build herunter und bestätige, dass das Ding auf deiner Hardware läuft, bevor du irgendetwas darauf aufbaust. Dieser Schritt kostet einen Nachmittag.

Wenn dein Fehlermodus zeitlich bedingt ist – das Modell hat nachgesehen, aber nicht genau genug –, dann ist Glimpse das erste gehostete Modell, dessen beschriebener Mechanismus genau darauf abzielt, und die kostenlose Registrierung macht den Test günstig. Lass deinen eigenen Clip laufen und lies dann den Scratch-Bereich: Wenn er das Intervall nie erneut gescannt hat, das die Antwort entschieden hat, hast du etwas über deine Pipeline gelernt – und nicht nur über das Modell.

Wenn Sie noch nicht wissen, zu welchem der beiden Sie gehören, ist die Reihenfolge der Arbeitsschritte klar: Führen Sie zuerst das gehostete Modell aus, denn es beantwortet an einem Nachmittag, wofür ein Fine-Tuning-Projekt einen Monat braucht. Das Substrat bleibt verfügbar. Es wird auch im nächsten Quartal noch ein 1,67 GB großer Download sein, und das Einzige, was Sie aufgewendet haben werden, ist die Zeit, die Sie sonst damit verbracht hätten, einen Datensatz für eine Aufgabe zusammenzustellen, die ein API-Aufruf hätte abdecken können.

Nichts davon ist hypothetisch: Die dokumentierten KI-Ausfälle und Agent-Vorfälle, die hinter Releases wie diesem stehen, finden sich im OrcaRouter AI Incident Archive, wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seinen Konfidenzgrad und sein Umstritten-Flag führt.