Glimpse vs LFM2.5 2.6B Base: uno de estos no puede responder a una pregunta

Glimpse es una vista previa de investigación de razonamiento visual de Elorian, publicada el 16 de octubre de 2026, y su argumento de venta es un comportamiento: mientras piensa, puede volver a la imagen o al video, volver a escanear un intervalo de 0,9 segundos a una tasa de fotogramas más densa, hacer zoom en una región o seguir una característica a lo largo del tiempo, y solo entonces responder. LFM2.5 2.6B Base es un checkpoint de 2,69 mil millones de parámetros que Liquid AI publicó el 4 de agosto de 2026 bajo la LFM Open License v1.0, y no tiene ningún ajuste de instrucciones en absoluto — nunca fue entrenado para responder nada. Dale una pregunta y continúa el texto, de forma plausible, en el registro de lo que haya venido antes. Eso no es un defecto ni un lanzamiento faltante; es la especificación. Así que lo primero que hay que decir sobre este emparejamiento es que no es una comparación entre dos modelos de calidad diferente. Es una comparación entre una capacidad que alquilas y una materia prima que entrenas, y el único hecho que decide entre ellos es si el trabajo que tienes es una pregunta o un conjunto de datos.

Todo lo que sigue se deriva de eso, incluido el hecho de que solo uno de estos dos tiene una tabla comparativa, y no es el que un lector adivinaría.

Dos objetos, descritos sin el marketing

Glimpse no tiene un artefacto descargable. Elorian no publica un recuento de parámetros, ni una arquitectura, ni una ventana de contexto, ni un nombre para el modelo base de pesos abiertos sobre el que dice haber sido postentrenado. Lo que existe es una API y una interfaz de chat con registro gratuito, un precio de $0.60 por millón de tokens de entrada y $3.00 por millón de salida, y un conjunto de trazas de trabajo que muestran al modelo revisando evidencia visual a mitad del razonamiento. Su espacio de trabajo visual — la superficie donde reexamina lo que vio — es el producto.

LFM2.5 2.6B Base es el inverso exacto. Es un archivo. Treinta capas, de las cuales 22 son bloques de convolución corta con doble compuerta y 8 son atención de consultas agrupadas; aproximadamente 34 billones de tokens de entrenamiento en 16 idiomas; una ventana de contexto de 131.072 tokens; una compilación cuantizada de alrededor de 1,67 GB. Es solo texto, es denso y deliberadamente no evaluado, porque evaluar un checkpoint base en benchmarks de seguimiento de instrucciones mediría la ausencia de ajuste fino en lugar de la calidad del sustrato.

• Qué recibes — Glimpse: una clave de API y un endpoint alojado. LFM2.5 2.6B Base: pesos, un tokenizador y una licencia.

• Modalidad — Glimpse: entrada de imágenes y video, con muestreo reentrante a lo largo del tiempo. LFM2.5 2.6B Base: entrada de texto, salida de texto.

• Precio — Glimpse $0.60 / $3.00 por millón de tokens, publicado por el proveedor. LFM2.5 2.6B Base: nada por llamada; tú aportas el hardware.

• Tamaño publicado — no divulgado para Glimpse, lo cual es inusual para un modelo alojado y es en sí mismo la divulgación. 2.69B denso para LFM2.5 2.6B Base, cada peso visible en el repositorio.

• Comportamiento predeterminado — Glimpse responde preguntas sobre lo que ha visto. LFM2.5 2.6B Base continúa tu texto, porque eso es lo que produce el preentrenamiento.

• Licencia — Glimpse es una vista previa alojada bajo los términos de Elorian. LFM Open License v1.0, gratuita por debajo de $10M de ingresos anuales y requiere una licencia aparte en o por encima de ese umbral.

¿Por qué solo uno de estos tiene una tarjeta de puntuación?

Esta es la parte que se lee al revés. El modelo sin pesos, sin tamaño divulgado y sin evaluación independiente publica una tabla comparativa de doce filas frente a GPT-6 Astra. El modelo con todos los pesos publicados y una arquitectura completamente documentada no publica nada.

Ambos espacios en blanco son racionales, y significan cosas opuestas, por lo que vale la pena separarlos.

La tabla de Glimpse es reportada por el proveedor y no reproducida: los propios números de Elorian, contra su propia elección de rivales, se ejecutan con el máximo esfuerzo de razonamiento del modelo y con su arnés de agente nativo, con una nota al pie que revela que varios competidores se ejecutaron por debajo de su esfuerzo máximo y que la fila de HSS mezcla cifras reportadas en artículos de otros laboratorios. Leída como una afirmación sobre la dirección, es informativa; leída como una puntuación, todavía no es evidencia, porque nadie fuera de la empresa la ha ejecutado. Y donde la tabla resulta más útil es donde es poco halagadora: Glimpse obtiene 46.36 en Humanity's Sixth Sense frente a 53.6 de Astra, en un benchmark que la propia Elorian construyó con Scale AI. El rebobinado compra percepción —contar, leer gráficos, seguir un objeto a través del movimiento— y no compra inferencia sobre lo que implica una escena.

El espacio en blanco de LFM2.5 2.6B Base es de otra índole. No hay nada que puntuar. Un checkpoint base no tiene comportamiento; tiene una distribución. En su lugar, Liquid AI evalúa con benchmarks al hermano post-entrenado de la familia, que es la decisión de ingeniería correcta y no te dice absolutamente nada sobre si el sustrato será adecuado para tu tarea.

Esa asimetría tiene una consecuencia práctica. Para Glimpse, la pregunta de evaluación es «¿sobrevivirá la afirmación del proveedor a mi clip?». Para LFM2.5 2.6B Base, la pregunta de evaluación es «¿puedo entrenar esto hasta convertirlo en algo que funcione?» — y la segunda pregunta puedes responderla hoy tú mismo, por el precio de una descarga. La versión de 1.67 GB cabe en un portátil; el bucle de entrenamiento es el trabajo.

Las unidades no se convierten, así que conviértelas a mano

Un precio por token y una descarga gratuita no se pueden comparar directamente, y ahí es donde la mayoría de las comparaciones de este tipo hacen trampa sin que se note. La forma honesta es elegir una tarea y poner precio a ambas rutas.

Toma un trabajo acotado y de gran volumen para el que un ajuste fino pequeño es genuinamente bueno: leer un tipo de documento fijo y emitir JSON estructurado, procesar 50 millones de tokens al mes, aproximadamente la mitad de entrada y la mitad de salida. En Glimpse eso son unos $90 al mes —$15 de entrada a $0.60 por millón, $75 de salida a $3.00— más el tiempo de ingeniería para diseñar el prompt y validarlo. En LFM2.5 2.6B Base la inferencia es gratis, y la factura se traslada por completo al principio: reunir unos miles de ejemplos etiquetados, una ejecución de entrenamiento en tu propia tarjeta, un conjunto de evaluación y una nueva ejecución cada vez que cambie el formato del documento.

De esa aritmética se desprenden dos cosas que es fácil pasar por alto.

La primera es que el ajuste fino solo gana en costo por encima de un umbral de volumen, y ese umbral lo determina cuánta ingeniería puede absorber tu equipo, y no lo que publique Liquid AI. Un equipo sin capacidad de entrenamiento no tiene ningún punto de equilibrio en ese lado de la comparación, lo cual es un hecho real y con frecuencia decisivo.

El segundo es que las propias afirmaciones de precios de Glimpse apuntan a un lugar completamente distinto. Elorian presenta $0.60/$3.00 como un 94 % por debajo de GPT-6 Astra, a $10/$50, y un 85 % por debajo de Claude Opus 5.5, a $4/$20. Frente a los buques insignia de la frontera, Glimpse es barato. Frente al extremo de los modelos pequeños —un checkpoint de 2.6B que posees, o un carril de volumen como el Qwen3.8-Flash de Alibaba a $0.15/$0.47—, es el lado caro de la comparación, y el artículo que acompaña a este sobre Qwen 3.8 lo calcula con las tarifas reales. La afirmación de descuento de un proveedor siempre es relativa al conjunto de comparación que el proveedor eligió.

Cómo ejecutarías realmente la prueba

La comparación anterior solo vale algo si resulta barata de ejecutar, y el obstáculo práctico es que los dos lados viven en sistemas diferentes: un endpoint alojado con una sola clave y un bucle de entrenamiento que termina en un modelo que tienes que servir en algún lugar. Convertir eso en una prueba A/B sobre tu propia carga de trabajo es donde una capa de enrutamiento se gana su lugar, y el argumento es el mismo tanto si comparas un ajuste fino con una API como si comparas dos API entre sí.

OrcaRouter coloca un endpoint de texto y cada modelo publicado uno al lado del otro detrás de una sola clave — más de 200 modelos, precio de lista del proveedor pasado tal cual sin añadir nada por token, una sola factura, y conmutación automática por error para que una mala tarde de un proveedor no se convierta en la mala tarde de tu evaluación. Ni Glimpse ni LFM2.5 2.6B Base están en ese catálogo, y ninguna variante de LFM2.5 lo está: Glimpse viene de la propia API e interfaz de chat de Elorian, y el checkpoint de Liquid viene de Liquid AI, ambas cosas que obtienes directamente. Lo que cambia la capa de enrutamiento es el grupo de control. Cuando la pregunta es "¿mi ajuste fino es realmente mejor que simplemente llamar a algo?", quieres que ese algo sea un cambio de configuración en lugar de un ciclo de adquisición, porque el experimento que puedes ejecutar esta tarde es el único que produce un número.

Donde el fine-tuning no puede llevarte, a cualquier tamaño

Esta es la parte de la comparación que no se reduce a una cuestión de costos, y es la razón por la que estos dos no son sustitutos en ninguna dirección.

La capacidad de Glimpse es temporal y visual. 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 ocluye — un mecanismo de rebobinado los aborda directamente, y las trazas muestran si el modelo realmente volvió a escanear el intervalo que importaba. Ninguna cantidad de ajuste fino de un checkpoint de solo texto de 2.69B produce ese comportamiento, porque el sustrato no tiene entrada de video ni ningún mecanismo para gastar cómputo adicional en un intervalo específico después de una primera pasada. No puedes llegar por medio del entrenamiento a una arquitectura que no construiste.

Lo inverso también se cumple con la misma firmeza. Una vista previa alojada cuyo número de parámetros, ventana de contexto y modelo base no se divulgan no es algo que se pueda incluir en un producto regulado, ejecutar con aislamiento de red ni garantizar su disponibilidad. Y la tarifa de una vista previa de investigación puede cambiar en cualquier momento, lo cual está bien para una prueba y resulta incómodo para un modelo de costos.

Así que el resumen honesto no es que uno sea mejor. Es que un equipo con una tarea de texto y un conjunto de datos debería estar mirando el checkpoint, un equipo con una pregunta visual temporal debería estar mirando la preview, y un equipo que no tiene ninguna de las dos cosas no tiene ninguna razón para compararlos todavía.

Tres condiciones, y lo que implica cada una

Si tu tarea es acotada, solo texto y tienes —o puedes comprar— unos miles de ejemplos etiquetados, LFM2.5 2.6B Base es el objeto más valioso, porque acabas siendo dueño del artefacto y pagas electricidad en lugar de tokens. Descarga primero la compilación de 1,67 GB y confirma que la cosa funciona en tu hardware antes de planificar nada en torno a ella. Ese paso cuesta una tarde.

Si tu modo de fallo es temporal —el modelo miró, pero no miró con la suficiente atención—, Glimpse es el primer modelo alojado cuyo mecanismo declarado apunta directamente a eso, y el registro gratuito abarata la prueba. Ejecuta tu propio clip y luego lee el espacio de trabajo: si nunca volvió a escanear el intervalo que decidió la respuesta, habrás aprendido algo sobre tu pipeline y no solo sobre el modelo.

Si aún no sabes cuál de esos dos eres, el orden de las operaciones ya está decidido: ejecuta primero el modelo alojado, porque responde en una tarde lo que un proyecto de ajuste fino responde en un mes. El sustrato sigue disponible. Seguirá siendo una descarga de 1,67 GB el próximo trimestre, y lo único que habrás gastado es el tiempo que, de otro modo, habrías pasado preparando un conjunto de datos para una tarea que una llamada a la API podría haber cubierto.

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.