Glimpse vs Gemma 4 12B : un mécanisme de rembobinage contre un téléchargement

Ces deux-là sont comparés l'un à l'autre principalement parce que tous deux sont décrits comme des modèles de vision, et cette description ne fait presque rien pour expliquer la comparaison. Glimpse, publié par Elorian le 16 octobre 2026, est un aperçu de recherche hébergé dont le comportement déterminant est qu'il peut revenir en arrière et regarder de nouveau — réanalyser une partie d'un clip à une cadence d'images plus dense, zoomer sur une région, ou suivre une caractéristique dans le temps — et il n'est accessible que via l'API et l'interface de chat du fournisseur. G​emma 4 12B est un point de contrôle dense à poids ouverts de 11,95 milliards de paramètres de G​oogle DeepMind, livré le 3 juin 2026 sous licence Apache 2.0, que vous téléchargez et exécutez sur votre propre matériel et qui tranche la même question dans le sens inverse : c'est un artefact figé avec un calendrier d'échantillonnage d'images figé, et vous aurez beau le regarder, il ne rembobinera pas.

Donc, la manière honnête de poser la question n’est pas « lequel est meilleur en vision ». C’est que l’un d’eux est une capacité que vous louez et l’autre est un fichier que vous possédez, et le choix entre les deux se décide sur des faits qui n’ont rien à voir avec les lignes de benchmark.

La distinction qui tranche réellement

Commençons par ce qu'est physiquement chacun d'eux. Gemma 4 12B est un ensemble de poids. Le point de contrôle affiné pour les instructions sur Hugging Face est un unique fichier safetensors de 23,92 Go en bfloat16 ; les versions de Google issues de son entraînement conscient de la quantification se situent autour de 6,98 Go pour les poids, plus un fichier de projection multimodale de 0,18 Go, et une version communautaire Q4_K_M approche les 7,1 Go. Vous pouvez le garder, l'affiner, le quantifier davantage, l'embarquer dans un produit et l'exécuter sans réseau ni compteur. Voilà toute la proposition.

Glimpse est un objet de forme opposée. Il n’y a pas de poids. Il n’y a pas de nombre de paramètres, pas d’artefact téléchargeable, et pas d’architecture publiée au-delà de l’affirmation qu’il a été post-entraîné sur un « modèle de base à poids ouverts » qu’Elorian ne nomme pas. Ce qui existe, c’est une API, une interface de chat à platform.elorian.ai avec une inscription gratuite, et un comportement publié : l’espace de travail visuel du modèle, dans lequel il revisite et affine les représentations visuelles internes au fur et à mesure que la réflexion se déploie.

Cette asymétrie est la première chose à prendre en compte, et elle joue dans les deux sens. Un checkpoint téléchargeable ne peut pas être déprécié du jour au lendemain, ne peut pas changer de comportement derrière une chaîne de version, et ne peut pas tomber en panne à 3 h du matin parce que l’us-east-1 de quelqu’un d’autre est mécontent. Un aperçu hébergé avec un mécanisme de rembobinage ne peut pas être exécuté sur une machine isolée (air-gapped), et — le point qui compte le plus pour une comparaison avec G​emma 4 12B — ne peut pas être rendu assez petit pour tenir dans 16 Go de mémoire, parce qu’il n’y a rien à y faire tenir.

Ce que le rewind rapporte, selon les chiffres du fournisseur lui-même

Les exemples travaillés d'Elorian sont ce qui a été publié de plus concret à propos de Glimpse, et ils valent la peine d'être lus comme des descriptions plutôt que comme des scores. Dans une trace, le modèle effectue une première passe à environ 8 images par seconde, forme une lecture provisoire, puis revient en arrière et réanalyse une fenêtre de 0,9 seconde à environ 14 ips pour décider si ce qu'il voit est un panoramique ou une coupe. Dans une autre, il suit le bord d'une même fenêtre à partir d'environ 2,2 secondes dans un clip jusqu'à ce que le mouvement s'arrête presque à 5,13 secondes.

G​emma 4 12B n’a pas d’équivalent. Il traite la vidéo sous forme de séquences d’images selon un calendrier que vous choisissez, et une fois les images sélectionnées, tout ce qui se trouvait entre elles a disparu. Ce n’est pas un défaut — c’est ce qu’un checkpoint à poids ouverts doté d’un chemin d’inférence publié est censé faire — mais c’est exactement le type de question auquel le retour en arrière a vocation à répondre.

Là où G​emma 4 12B prend l'avantage, c'est sur tout ce que vous faites avec un modèle. Sur la fiche de G​oogle elle-même, qui couvre toute la famille et dont les chiffres sont rapportés par le fournisseur plutôt que reproduits de façon indépendante, le 12B obtient 77,2 % sur MMLU Pro, 78,8 % sur GPQA Diamond, 77,5 % sur AIME 2026 sans outils, 72,0 % sur LiveCodeBench v6, un ELO Codeforces de 1659, 69,1 % sur MMMU Pro et 43,4 % sur MRCR v2 à 128K avec huit aiguilles. Glimpse ne publie rien du tout dans cette famille — aucun benchmark de raisonnement, aucun benchmark de codage, aucun benchmark de connaissances. La comparaison n'est pas serrée, car la comparaison n'a jamais été réalisée.

Les fiches de score, et quels blancs sont intentionnels

Les deux ensembles de preuves publiés ne se recoupent pas. Le tableau de Glimpse porte sur GPT-6 Astra et il est déclaré par le fournisseur, sans reproduction indépendante ; il en va de même pour le tableau de Google. Les lire côte à côte reste néanmoins utile, car cela montre sur quoi chaque entreprise a choisi d’être évaluée.

• WGO Bench (événements de manipulation) — Glimpse 42,70 vs Astra 39,42. Gemma 4 12B : non rapporté.

• CharXiv-R — Glimpse 92,90 vs 92,10. G​emma 4 12B : non rapporté.

• UGC-VideoCap — Glimpse 82,66 vs 80,32. Gemma 4 12B : non communiqué.

• FSC-147 — Glimpse 83,36 vs 82,02. Gemma 4 12B : non communiqué.

• Video-MME v2 — Glimpse 56,68 contre Astra 64,06 et GPT-6.1 Sol 65,27. G​emma 4 12B : non communiqué.

• Le sixième sens de l'humanité — Glimpse 46,36 vs Astra 53,6. Gemma 4 12B : non communiqué.

• MMLU Pro — G​emma 4 12B 77,2 %. Glimpse : non communiqué.

• LiveCodeBench v6 — G​emma 4 12B 72,0 %. Glimpse : non communiqué.

• Analyse indépendante — Artificial Analysis attribue à Gemma 4 12B un indice d'intelligence de 14, ce qui le classe 20e sur 141 modèles de sa catégorie de comparaison, avec une vitesse de génération mesurée de 110,9 jetons par seconde. Glimpse ne dispose d'aucun score indépendant, de quelque nature que ce soit ; il n'a qu'un jour d'existence.

Le tableau Glimpse comporte également une note de bas de page que le lecteur ne doit pas sauter : ces résultats utilisent l'effort de réflexion le plus élevé avec le harnais d'agent natif du modèle, et pour la plupart des évaluations vidéo, Sol et Opus 5.5 ont été exécutés en effort élevé plutôt qu'en effort maximal, la ligne HSS intégrant des chiffres rapportés dans des articles d'autres laboratoires. La même discipline s'applique de l'autre côté — les chiffres des fiches de G​oogle sont publiés pour les checkpoints ajustés aux instructions, sans qu'aucun harnais tiers n'intervienne.

Ce que chacun coûte, et en quelle unité

C’est ici que les formes divergent le plus fortement, car les unités ne se convertissent pas.

Glimpse est facturé au token : 0,60 $ par million de tokens d’entrée et 3,00 $ par million de tokens de sortie. Elorian énonce lui-même la comparaison — 94 % de moins que GPT-6 Astra à 10 $/50 $, 85 % de moins que Claude Opus 5.5 à 4 $/20 $, 70 % de moins que GPT-6.1 Sol à 2 $/10 $, et 20 % de moins que le tarif d’introduction de Gemini 3.8 Flash à 0,75 $/3,75 $ — et donne un chiffre au niveau de la tâche : un épisode de planification robotique coûtant 0,035 $ sur Glimpse contre 0,249 $ sur Astra. Tous ces chiffres sont ceux du fournisseur au sujet de son propre modèle.

G​emma 4 12B n'a pas de prix fournisseur, car il n'existe aucun service fournisseur. Le seul chiffre par token qui existe pour lui est le tarif mixte d'Artificial Analysis, soit 0,10 $ par million de tokens en entrée et 0,30 $ par million en sortie, et il s'agit d'une médiane observée sur les plateformes tierces qui servent les poids ouverts, et non d'un prix catalogue — G​oogle n'en publie aucun. Si vous l'hébergez vous-même, le chiffre qui vous intéresse réellement n'est pas du tout une grille tarifaire. C'est un téléchargement de 7 Go, une heure de GPU et l'électricité.

Tout le reste en découle. Un appel Glimpse a un coût marginal qui évolue avec le volume et un coût fixe nul. Un déploiement de G​emma 4 12B a un coût marginal proche de zéro et un coût fixe qui est une machine. Le seuil de rentabilité est une question de volume, et aucun fournisseur ne le publiera à votre place.

Où se situe cette paire dans notre propre catalogue

Aucun des deux modèles n'est servi par OrcaRouter, et il vaut mieux le dire sans détour plutôt que de laisser le lecteur en déduire le contraire. Glimpse est accessible via l'API et l'interface de chat d'Elorian ; Gemma 4 12B est un téléchargement, et les routes hébergées vers celui-ci sont des plateformes tierces qui exécutent les poids ouverts. Les tailles de Gemma 4 que nous routons sont Gemma 4 26B A4B et Gemma 4 31B — les membres les plus grands et les plus performants de la même famille — et si votre vraie question est « quelle taille de Gemma 4 dois-je appeler », nos propres pages de modèles pour ces deux-là y répondront plus vite que cette page.

Là où une couche de routage gagne sa place dans cette comparaison précise, c'est dans le cas intermédiaire : une équipe qui veut continuer à faire tourner une taille de G​emma 4 qu'elle auto-héberge déjà, et qui veut tester un aperçu non éprouvé à côté, sans parier un chemin de production sur un modèle sorti hier. Garder les deux derrière un seul point de terminaison signifie que l'aperçu se trouve derrière le basculement automatique plutôt que devant, et une grille tarifaire qui évolue — ce que fera celle d'un aperçu de recherche — est active de notre côté le jour même, plutôt qu'à la prochaine reconduction de contrat. C'est une déclaration sur notre façon de fonctionner, et non une prétention à héberger l'un ou l'autre de ces deux modèles.

Choisir, étant donné qu'ils ne sont pas des substituts

Si votre travail est temporel et que votre mode de défaillance est « le modèle a regardé mais n'a pas regardé d'assez près » — l'identité d'un objet à travers une coupe, un événement à l'intérieur d'une fenêtre de moins d'une seconde, un décompte qui change quand quelque chose l'occulte — Glimpse est le premier modèle hébergé dont le mécanisme déclaré cible directement cela, et l'inscription gratuite rend le test peu coûteux. Lancez votre propre clip dessus. Vérifiez ensuite l'espace de travail : si le modèle n'a jamais réanalysé l'intervalle qui comptait, vous avez appris quelque chose sur votre pipeline, et pas seulement sur le modèle.

Si votre travail consiste à déployer un modèle multimodal compétent sur du matériel que vous contrôlez — un ordinateur portable avec 16 Go de mémoire selon les propres affirmations de Google, ou une carte de 24 Go pour la version non quantifiée — Gemma 4 12B est la réponse mature, sous licence et évaluable, et elle bénéficie de quatre mois de quantifications communautaires et d’outillage derrière elle, ce dont un aperçu vieux d’un jour ne dispose pas. Cette maturité n’est pas une mince affaire : c’est la différence entre un modèle autour duquel vous pouvez planifier un trimestre et un modèle autour duquel vous pouvez planifier une semaine.

Le piège est de choisir Glimpse parce que son tableau surpasse Astra sur quatre lignes, puis de découvrir que la tâche exigeait du raisonnement, et non un simple balayage. Le propre chiffre HSS du modèle est la preuve contre cette lecture — 46,36 contre 53,6 pour Astra, sur un benchmark qu'Elorian a lui-même construit avec Scale AI. Publier un résultat que votre propre modèle ne parvient pas à dépasser est un signal de crédibilité, et cela vous indique aussi précisément ce que le rembobinage ne corrige pas.

Rien de tout cela n'est hypothétique : les défaillances documentées de l'IA et les incidents d'agents qui sous-tendent des versions comme celle-ci sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée est accompagnée de ses propres sources, de son niveau de gravité, de son degré de confiance et de son indicateur de contestation.