Glimpse vs Gemma 4 12B: Un mecanismo de rebobinado frente a una descarga

Estos dos se comparan entre sí principalmente porque ambos se describen como modelos de visión, y esa descripción no aporta casi nada. Glimpse, publicado por Elorian el 16 de octubre de 2026, es una vista previa de investigación alojada cuyo comportamiento definitorio es que puede volver atrás y mirar de nuevo —volviendo a escanear parte de un clip a una tasa de fotogramas más densa, haciendo zoom en una región o siguiendo una característica a lo largo del tiempo—, y solo se puede acceder a él a través de la API y la interfaz de chat del proveedor. G​emma 4 12B es un checkpoint denso de pesos abiertos de 11,95 mil millones de parámetros de G​oogle DeepMind, lanzado el 3 de junio de 2026 bajo Apache 2.0, que descargas y ejecutas en tu propio hardware y que cierra la misma cuestión por el camino opuesto: es un artefacto fijo con un programa fijo de muestreo de fotogramas, y por más que lo mires no hará que rebobine.

Así que el planteamiento honesto no es «cuál es mejor en visión». Es que uno de estos es una capacidad que alquilas y el otro es un archivo que posees, y la elección entre ellos la deciden hechos que no tienen nada que ver con las filas de benchmarks.

La distinción que realmente lo decide

Empieza por lo que cada uno es físicamente. Gemma 4 12B es un conjunto de pesos. El checkpoint ajustado por instrucciones en Hugging Face es un único archivo safetensors de 23.92 GB en bfloat16; las propias compilaciones de entrenamiento consciente de la cuantización de Google rondan los 6.98 GB para los pesos, más un archivo de proyección multimodal de 0.18 GB, y una compilación Q4_K_M de la comunidad se sitúa cerca de los 7.1 GB. Puedes tenerlo en tus manos, ajustarlo, cuantizarlo aún más, distribuirlo dentro de un producto y ejecutarlo sin red y sin medidor. Esa es toda la propuesta.

Glimpse es un objeto de forma opuesta. No hay pesos. No hay un recuento de parámetros, ni un artefacto descargable, ni una arquitectura publicada más allá de la afirmación de que se entrenó posteriormente sobre un "modelo base de pesos abiertos" que Elorian no nombra. Lo que existe es una API, una interfaz de chat en platform.elorian.ai con registro gratuito, y un comportamiento publicado: el espacio de borrador visual del modelo, en el que revisa y refina representaciones visuales internas a medida que el pensamiento se despliega.

Esa asimetría es lo primero que hay que tener en cuenta, y corta en ambos sentidos. Un checkpoint descargable no puede ser declarado obsoleto a tus espaldas, no puede cambiar de comportamiento detrás de una cadena de versión y no puede fallar a las 3 de la madrugada porque el us-east-1 de otra persona no está contento. Una vista previa alojada con un mecanismo de rebobinado no se puede ejecutar en una máquina aislada de la red y —el punto que más importa para una comparación de G​emma 4 12B— no se puede hacer que quepa en 16 GB de memoria, porque no hay nada que encajar.

Lo que aporta el rebobinado, según los propios números del proveedor

Los ejemplos resueltos de Elorian son lo más concreto que se ha publicado sobre Glimpse, y vale la pena leerlos como descripciones más que como puntuaciones. En una traza, el modelo hace una primera pasada a aproximadamente 8 fotogramas por segundo, forma una interpretación provisional y luego retrocede y vuelve a escanear una ventana de 0,9 segundos a alrededor de 14 fps para decidir si lo que ve es un paneo o un corte. En otra, sigue el borde de una sola ventana desde aproximadamente 2,2 segundos de un clip hasta que el movimiento casi se detiene a los 5,13 segundos.

Gemma 4 12B no tiene equivalente. Procesa el vídeo como secuencias de fotogramas según la programación que elijas, y una vez seleccionados los fotogramas, todo lo que quedó entre ellos se pierde. Eso no es un defecto —es lo que se supone que debe hacer un checkpoint de pesos abiertos con una ruta de inferencia publicada—, pero es exactamente la clase de pregunta que el rebobinado existe para responder.

Donde G​emma 4 12B se adelanta es en todo lo que haces conun modelo. En la propia ficha de G​oogle, que abarca a toda la familia y está reportada por el proveedor en lugar de reproducida de forma independiente, el 12B obtiene un 77,2 % en MMLU Pro, un 78,8 % en GPQA Diamond, un 77,5 % en AIME 2026 sin herramientas, un 72,0 % en LiveCodeBench v6, un ELO de Codeforces de 1659, un 69,1 % en MMMU Pro y un 43,4 % en MRCR v2 a 128K con ocho agujas. Glimpse no publica absolutamente nada en esa familia: ni un benchmark de razonamiento, ni uno de código, ni uno de conocimiento. La comparación no está reñida porque nunca se llegó a hacer.

Las tarjetas de puntuación, y qué espacios en blanco son deliberados

Los dos conjuntos de evidencia publicados no se intersecan. La tabla de Glimpse es contra GPT-6 Astra y está reportada por el proveedor, sin reproducción independiente; lo mismo ocurre con la tabla de G​oogle. Aun así, leerlas en paralelo es útil, porque muestra en qué eligió cada empresa que se la midiera.

• WGO Bench (eventos de manipulación) — Glimpse 42.70 vs Astra 39.42. G​emma 4 12B: no reportado.

• CharXiv-R — Glimpse 92.90 vs 92.10. Gemma 4 12B: no reportado.

• UGC-VideoCap — Glimpse 82.66 frente a 80.32. G​emma 4 12B: no reportado.

• FSC-147 — Glimpse 83.36 frente a 82.02. Gemma 4 12B: no reportado.

• Video-MME v2 — Glimpse 56.68 frente a Astra 64.06 y GPT-6.1 Sol 65.27. Gemma 4 12B: no reportado.

• El Sexto Sentido de la Humanidad — Glimpse 46.36 vs Astra 53.6. G​emma 4 12B: no reportado.

• MMLU Pro — G​emma 4 12B 77.2%. Glimpse: no reportado.

• LiveCodeBench v6 — G​emma 4 12B 72,0 %. Glimpse: no reportado.

• **Lectura independiente** — Artificial Analysis otorga a Gemma 4 12B una puntuación de 14 en el Índice de Inteligencia, lo que lo sitúa en el puesto 20 de 141 modelos de su clase de comparación, con una velocidad de salida medida de 110,9 tokens por segundo. Glimpse no tiene ninguna puntuación independiente de ningún tipo; tiene un día de antigüedad.

La tabla de Glimpse también incluye una nota al pie que el lector no debería pasar por alto: esos resultados utilizan el mayor esfuerzo de razonamiento con el arnés de agente nativo del modelo, y para la mayoría de las evaluaciones de vídeo Sol y Opus 5.5 se ejecutaron con esfuerzo alto en lugar de máximo, con la fila de HSS mezclando cifras reportadas en artículos de otros laboratorios. La misma disciplina se aplica al otro lado: las cifras de la ficha de G​oogle se publican para los checkpoints ajustados por instrucciones sin ningún arnés de terceros de por medio.

Cuánto cuesta cada uno y en qué unidad

Aquí es donde las formas divergen más drásticamente, porque las unidades no se convierten.

Glimpse tiene un precio por token: $0.60 por millón de tokens de entrada y $3.00 por millón de salida. Elorian expone la comparación en sí misma —94 % por debajo de GPT-6 Astra a $10/$50, 85 % por debajo de Claude Opus 5.5 a $4/$20, 70 % por debajo de GPT-6.1 Sol a $2/$10, y 20 % por debajo de la tarifa introductoria de $0.75/$3.75 de Gemini 3.8 Flash— y ofrece una sola cifra a nivel de tarea: un episodio de planificación robótica que cuesta $0.035 en Glimpse frente a $0.249 en Astra. Todas esas son cifras del proveedor sobre el modelo del proveedor.

G​emma 4 12B no tiene precio de proveedor porque no existe un servicio de proveedor. La única cifra por token que existe para él es la combinada de Artificial Analysis: $0,10 por millón de entrada y $0,30 por millón de salida, y eso es una mediana entre plataformas de terceros que sirven los pesos abiertos, no un precio de lista: G​oogle no publica ninguno. Si lo autoalojas, la cifra que realmente te importa no es una tabla de tarifas en absoluto. Es una descarga de 7 GB, una hora de GPU y la electricidad.

Todo lo demás se deduce de eso. Una llamada a Glimpse tiene un costo marginal que escala con el volumen y un costo fijo de cero. Un despliegue de Gemma 4 12B tiene un costo marginal cercano a cero y un costo fijo que es una máquina. El punto de equilibrio es una cuestión de volumen, y ningún proveedor lo publicará por ti.

Dónde se sitúa este par en nuestro propio catálogo

Ninguno de los dos modelos es un modelo que OrcaRouter sirva, y merece la pena ser directo al respecto en lugar de dejar que el lector infiera lo contrario. Se puede acceder a Glimpse a través de la propia API e interfaz de chat de Elorian; G​emma 4 12B es una descarga, y las rutas alojadas hacia él son plataformas de terceros que ejecutan los pesos abiertos. Los tamaños de Gemma 4 que sí enrutamos son Gemma 4 26B A4B y G​emma 4 31B —los miembros más grandes y capaces de la misma familia— y si tu pregunta real es «¿qué tamaño de G​emma 4 debería invocar?», nuestras propias páginas de modelo para esos dos lo responderán más rápido que esta página.

Donde una capa de enrutamiento se gana su lugar en esta comparación en particular es en el caso intermedio: un equipo que quiere seguir ejecutando un tamaño de G​emma 4 que ya autoaloja, y quiere probar una preview no demostrada junto a él sin apostar una ruta de producción a un modelo que salió ayer. Mantener ambos detrás de un único endpoint significa que la preview queda detrás del failover automático en lugar de delante de él, y una tarifa que cambia —como lo hará la de una preview de investigación— está activa de nuestro lado el mismo día en lugar de en la próxima renovación de contrato. Eso es una declaración sobre cómo operamos, no una afirmación de que alojamos a ninguno de estos dos.

Elegir, dado que no son sustitutos

Si tu trabajo es temporal y tu modo de fallo es «el modelo miró pero no miró con suficiente atención» —la identidad de un objeto a través de un corte, un evento dentro de una ventana de menos de un segundo, un recuento que cambia cuando algo se ocluye—, Glimpse es el primer modelo alojado cuyo mecanismo declarado apunta directamente a eso, y el registro gratuito hace que la prueba sea barata. Ve y pasa tu propio clip por él. Luego revisa el espacio de borrador: si el modelo nunca volvió a escanear el intervalo que importaba, has aprendido algo sobre tu pipeline y no solo sobre el modelo.

Si tu trabajo consiste en poner un modelo multimodal competente en hardware que tú controlas —un portátil con 16 GB de memoria, según la propia afirmación de G​oogle, o una tarjeta de 24 GB para la versión sin cuantizar—, G​emma 4 12B es la respuesta madura, con licencia y evaluable con benchmarks, y tiene detrás cuatro meses de cuantizaciones y herramientas de la comunidad que una preview de un día de antigüedad no tiene. Esa madurez no es poca cosa: es la diferencia entre un modelo en torno al cual puedes planificar un trimestre y uno en torno al cual puedes planificar una semana.

La trampa es elegir Glimpse porque su tabla supera a Astra en cuatro filas y luego descubrir que el trabajo requería razonamiento, no reescaneo. El propio número HSS del modelo es la evidencia en contra de esa lectura — 46.36 frente al 53.6 de Astra, en un benchmark que la propia Elorian construyó con Scale AI. Publicar un resultado que tu propio modelo no logra superar es una señal de credibilidad, y además te dice con precisión qué es lo que el rewind no arregla.

Nada de eso es hipotético: los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.