Glimpse vs LFM2.5 2.6B Base : l'un des deux ne peut pas répondre à une question

Glimpse est l'aperçu de recherche en raisonnement visuel d'Elorian, publié le 16 octobre 2026, et son argument de vente est un comportement : pendant qu'il réfléchit, il peut revenir à l'image ou à la vidéo, réanalyser un intervalle de 0,9 seconde à une fréquence d'images plus dense, zoomer sur une région, ou suivre une caractéristique au fil du temps, et seulement ensuite répondre. LFM2.5 2.6B Base est un checkpoint de 2,69 milliards de paramètres publié par Liquid AI le 4 août 2026 sous la licence LFM Open License v1.0, et il ne comporte aucun affinage par instructions — il n'a jamais été entraîné à répondre à quoi que ce soit. Confiez-lui une question et il poursuit le texte, de manière plausible, dans le registre de ce qui précède. Ce n'est ni un défaut ni une version manquante ; c'est la spécification. Donc la première chose à dire au sujet de cette association, c'est qu'il ne s'agit pas d'une confrontation entre deux modèles de qualité différente. C'est une confrontation entre une capacité que l'on loue et une matière première que l'on entraîne, et le seul fait qui départage les deux est de savoir si le travail dont vous disposez est une question ou un jeu de données.

Tout ce qui suit découle de cela, y compris le fait qu’un seul de ces deux dispose d’un tableau de référence — et ce n’est pas celui qu’un lecteur devinerait.

Deux objets, décrits sans le marketing

Glimpse n’a aucun artefact téléchargeable. Elorian ne publie ni le nombre de paramètres, ni l’architecture, ni la fenêtre de contexte, ni le nom du modèle de base à poids ouverts sur lequel il affirme avoir été post-entraîné. Ce qui existe, c’est une API et une interface de chat avec inscription gratuite, un prix de 0,60 $ par million de tokens d’entrée et de 3,00 $ par million de tokens de sortie, ainsi qu’un ensemble de traces de travail montrant le modèle revenir sur des preuves visuelles en cours de réflexion. Son espace de brouillon visuel — la surface où il réexamine ce qu’il a vu — est le produit.

LFM2.5 2.6B Base est exactement l'inverse. C'est un fichier. Trente couches, dont 22 sont des blocs de convolution courte à double porte et 8 sont de l'attention à requêtes groupées ; environ 34 000 milliards de jetons d'entraînement répartis sur 16 langues ; une fenêtre de contexte de 131 072 jetons ; une version quantifiée d'environ 1,67 Go. Il est uniquement textuel, il est dense, et il est délibérément non noté, car noter un checkpoint de base sur des benchmarks de suivi d'instructions mesurerait l'absence de fine-tuning plutôt que la qualité du substrat.

• Ce que vous recevez — Glimpse : une clé API et un point de terminaison hébergé. LFM2.5 2.6B Base : les poids, un tokenizer et une licence.

• Modalité — Glimpse : images et vidéo en entrée, avec échantillonnage réentrant au fil du temps. LFM2.5 2.6B Base : texte en entrée, texte en sortie.

• Prix — Glimpse 0,60 $ / 3,00 $ par million de tokens, tarif publié par le fournisseur. LFM2.5 2.6B Base : rien par appel ; vous fournissez le matériel.

• Taille publiée — non divulguée pour Glimpse, ce qui est inhabituel pour un modèle hébergé et constitue en soi la divulgation. 2,69 B dense pour LFM2.5 2.6B Base, chaque poids visible dans le dépôt.

• Comportement par défaut — Glimpse répond aux questions sur ce qu'il a examiné. LFM2.5 2.6B Base poursuit votre texte, car c'est ce que produit le pré-entraînement.

• Licence — Glimpse est un aperçu hébergé selon les conditions d'Elorian. LFM Open License v1.0, gratuite en dessous de 10 M$ de chiffre d'affaires annuel et nécessitant une licence distincte à partir de ce seuil.

Pourquoi un seul d’entre eux a-t-il une carte de score ?

C’est la partie qui se lit à l’envers. Le modèle sans poids, sans taille divulguée et sans évaluation indépendante publie un tableau de benchmark à douze lignes face à GPT-6 Astra. Le modèle dont tous les poids sont publiés et l’architecture entièrement documentée ne publie rien.

Les deux blancs sont rationnels, et ils signifient des choses opposées, il vaut donc la peine de les distinguer.

Le tableau de Glimpse est déclaré par le fournisseur et non reproduit — les propres chiffres d'Elorian, face aux concurrents qu'il a lui-même choisis, obtenus avec l'effort de réflexion maximal du modèle et son harnais d'agent natif, avec une note de bas de page précisant que plusieurs concurrents ont été exécutés en deçà de leur effort maximal et que la ligne HSS mélange des chiffres rapportés dans des articles d'autres laboratoires. Lu comme une affirmation sur une orientation, c'est informatif ; lu comme un score, ce n'est pas encore une preuve, car personne à l'extérieur de l'entreprise ne l'a fait tourner. Et là où le tableau est le plus utile, c'est là où il est peu flatteur : Glimpse obtient 46,36 sur Humanity's Sixth Sense contre 53,6 pour Astra, sur un benchmark qu'Elorian a lui-même construit avec Scale AI. Le rewind achète la perception — compter, lire un graphique, suivre un objet en mouvement — et n'achète pas l'inférence sur ce qu'implique une scène.

Le vide de LFM2.5 2.6B Base est d'une autre nature. Il n'y a rien à évaluer. Un checkpoint de base n'a pas de comportement ; il a une distribution. Liquid AI évalue à la place le frère post-entraîné de la famille, ce qui est la bonne décision d'ingénierie et ne vous apprend exactement rien sur l'adéquation du substrat à votre tâche.

Cette asymétrie a une conséquence pratique. Pour Glimpse, la question d’évaluation est « la promesse du fournisseur survivra-t-elle à mon clip ? ». Pour LFM2.5 2.6B Base, la question d’évaluation est « puis-je l’entraîner pour en faire quelque chose qui fonctionne » — et la seconde question trouve sa réponse aujourd’hui, par vous, pour le prix d’un téléchargement. La build de 1,67 Go tient sur un ordinateur portable ; c’est la boucle d’entraînement qui représente le travail.

Les unités ne se convertissent pas, alors convertissez-les à la main.

Un prix par token et un téléchargement gratuit ne peuvent pas être comparés directement, et c’est là que la plupart des comparaisons de ce type trichent discrètement. La méthode honnête consiste à choisir une tâche et à chiffrer les deux voies.

Prenez une tâche étroite et à fort volume pour laquelle un petit modèle affiné est vraiment performant : lire un type de document fixe et produire du JSON structuré, traiter 50 millions de tokens par mois, environ la moitié en entrée et la moitié en sortie. Sur Glimpse, cela représente environ 90 $ par mois — 15 $ d’entrée à 0,60 $ le million, 75 $ de sortie à 3,00 $ — plus le temps d’ingénierie pour concevoir le prompt et le valider. Sur LFM2.5 2.6B Base, l’inférence est gratuite, et la facture se déplace entièrement en amont : assembler quelques milliers d’exemples étiquetés, une session d’entraînement sur votre propre carte graphique, un jeu d’évaluation, et une réexécution chaque fois que le format du document change.

Deux choses ressortent de ce calcul, qu'il est facile de manquer.

Le premier point est que le fine-tuning ne l'emporte en termes de coût qu'au-delà d'un seuil de volume, et ce seuil est déterminé par la quantité d'ingénierie que votre équipe peut absorber, plutôt que par quoi que ce soit que Liquid AI publie. Une équipe sans capacité d'entraînement n'a aucun seuil de rentabilité de ce côté de la comparaison, ce qui est un fait réel et souvent décisif.

Le second, c'est que les propres affirmations de prix de Glimpse visent un tout autre terrain. Elorian présente 0,60 $/3,00 $ comme étant 94 % inférieurs à GPT-6 Astra à 10 $/50 $ et 85 % inférieurs à Claude Opus 5.5 à 4 $/20 $. Face aux fleurons de pointe, Glimpse est bon marché. Face au segment des petits modèles — un checkpoint 2,6B que vous hébergez, ou une filière à gros volume comme Qwen3.8-Flash d'A​ibaba à 0,15 $/0,47 $ — il se situe du côté cher de la comparaison, et l'article adjacent à celui-ci sur Q​wen 3.8 le démontre avec les vrais tarifs. Une affirmation de remise d'un fournisseur est toujours relative à l'ensemble de comparaison que le fournisseur a choisi.

Comment vous exécuteriez réellement le test

La comparaison ci-dessus ne vaut quelque chose que si elle est peu coûteuse à exécuter, et l'obstacle pratique est que les deux côtés vivent dans des systèmes différents : un point de terminaison hébergé avec une clé, et une boucle d'entraînement qui se termine par un modèle que vous devez servir quelque part. Transformer cela en test A/B sur votre propre charge de travail, c'est là qu'une couche de routage mérite sa place, et l'argument est le même que vous compariez un fine-tune à une API ou deux API entre elles.

OrcaRouter place un point d'accès texte et chaque modèle publié côte à côte derrière une seule clé — plus de 200 modèles, le prix catalogue du fournisseur répercuté sans rien ajouter par token, une seule facture, et un basculement automatique pour qu'une mauvaise après-midi chez un fournisseur ne devienne pas la mauvaise après-midi de votre évaluation. Ni Glimpse ni LFM2.5 2.6B Base ne figurent dans ce catalogue, et aucune variante de LFM2.5 non plus : Glimpse vient de l'API et de l'interface de chat propres à Elorian, et le checkpoint Liquid vient de Liquid AI, deux choses que vous obtenez directement. Ce que la couche de routage change, c'est le groupe de contrôle. Quand la question est « mon fine-tuning est-il réellement meilleur que le simple fait d'appeler quelque chose ? », vous voulez que ce quelque chose soit un changement de configuration plutôt qu'un cycle d'approvisionnement, parce que l'expérience que vous pouvez lancer cet après-midi est la seule qui produise un chiffre.

Là où le fine-tuning ne peut pas vous mener, quelle que soit la taille

C’est la partie de la comparaison qui ne se résout pas en une question de coût, et c’est la raison pour laquelle ces deux éléments ne sont pas substituables dans un sens comme dans l’autre.

La capacité de Glimpse est temporelle et visuelle. L’identité d’un objet à travers un cut, un événement dans une fenêtre de moins d’une seconde, un comptage qui change lorsque quelque chose l’occulte — un mécanisme de rembobinage répond directement à ces cas, et les traces montrent si le modèle a réellement réanalysé l’intervalle qui importait. Aucun fine-tuning d’un checkpoint exclusivement textuel de 2,69 B ne produit ce comportement, car le substrat n’a ni entrée vidéo ni mécanisme permettant de consacrer du calcul supplémentaire à un intervalle précis après une première passe. On ne peut pas, à force d’entraînement, se doter d’une architecture que l’on n’a pas construite.

L'inverse se vérifie tout aussi fermement. Un aperçu hébergé dont le nombre de paramètres, la fenêtre de contexte et le modèle de base ne sont pas divulgués ne peut être intégré dans un produit réglementé, exécuté en environnement isolé (air-gapped), ni voir sa disponibilité garantie. Et la grille tarifaire d'un aperçu de recherche peut évoluer à tout moment, ce qui est acceptable pour un essai mais problématique pour un modèle de coûts.

Donc, le résumé honnête n’est pas que l’un est meilleur. C’est qu’une équipe qui a une tâche textuelle et un jeu de données devrait regarder le checkpoint, qu’une équipe qui a une question visuelle temporelle devrait regarder la preview, et qu’une équipe qui n’a ni l’un ni l’autre n’a aucune raison de les comparer pour l’instant.

Trois conditions, et ce que chacune implique

Si votre tâche est étroite, purement textuelle, et que vous disposez — ou pouvez acheter — de quelques milliers d’exemples étiquetés, LFM2.5 2.6B Base est l’objet le plus précieux, parce que vous finissez par posséder l’artefact et payer de l’électricité au lieu de jetons. Téléchargez d’abord la version de 1,67 Go et confirmez que la chose fonctionne sur votre matériel avant de planifier quoi que ce soit autour. Cette étape coûte un après-midi.

Si votre mode de défaillance est temporel — le modèle a regardé, mais pas d’assez près —, Glimpse est le premier modèle hébergé dont le mécanisme déclaré vise directement cela, et l’inscription gratuite rend le test peu coûteux. Lancez votre propre clip, puis lisez l’espace de travail : s’il n’a jamais réexaminé l’intervalle qui a déterminé la réponse, vous avez appris quelque chose sur votre pipeline, et pas seulement sur le modèle.

Si vous ne savez pas encore lequel de ces deux vous êtes, l'ordre des opérations est établi : lancez d'abord le modèle hébergé, car il répond en un après-midi à ce à quoi un projet de fine-tuning répond en un mois. Le substrat reste disponible. Ce sera encore un téléchargement de 1,67 Go le trimestre prochain, et la seule chose que vous aurez dépensée, c'est le temps que vous auriez sinon passé à assembler un jeu de données pour une tâche qu'un appel d'API aurait pu couvrir.

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.