Glimpse לעומת Kolibri: שתי דרכים לקנות יותר כוח מחשוב לכל טוקן

Elorian Glimpse וKolibri הם שתי תשובות לאותה שאלה כלכלית — איך משיגים יותר יכולת ליחידת מחשוב — והם ניצבים בשני קצוות מנוגדים שלה. Glimpse, שהושק על ידי Elorian ב-16 באוקטובר 2026, קונה את היכולת שלו בזמן ההסקה: הוא מריץ מעבר ראשון על קטע וידאו בקצב של כ-8 פריימים לשנייה, ואז משקיע מחשוב נוסף בסריקה חוזרת של תשע עשיריות שנייה נבחרות בקצב של כ-14 פריימים לשנייה לפני שהוא עונה. Kolibri, שהושק על ידי Aleph Alpha ב-3 באוקטובר 2026, קונה את היכולת שלו בזמן הארכיטקטורה: 78.1 מיליארד פרמטרים בסך הכול, שמתוכם רק כ-3.46 מיליארד פעילים לכל טוקן, כך שכמעט כל פרמטר במודל הוא כזה שלעולם לא משלמים על הערכתו.

השניים אינם ניתנים להחלפה, והסיבה אינה איכות. האחד הוא תצוגה מקדימה מתארחת ללא משקולות, ללא מספר פרמטרים מפורסם וללא חלון הקשר מפורסם. האחר הוא הורדה ברישיון Apache 2.0 שכרטיס המודל שלה מפרט את מספר המומחים שלה, את לוח הזמנים של הקשב שלה, את הפורמטים המספריים שלה, את כיסוי השפות של הטוקנייזר שלה ואת חשבון החשמל המדויק של ריצת האימון שלה. השוואה ביניהם היא למעשה השוואה בין שתי אסטרטגיות, והשאלה המעניינת היא איזו אסטרטגיה שורדת מפגש עם עומס העבודה שלך.

יחס של 22 ל-1 לעומת יחס שאיש לא פרסם

Kolibri הוא מודל תערובת-מומחים דליל, והדלילות קיצונית אפילו לפי הסטנדרטים הנוכחיים. חמישים שכבות, כל אחת מהן תערובת מומחים, 384 מומחים בכל שכבה, שמתוכם אחד משותף ושישה מנותבים. זה יוצא יחס של בערך 22.6 ל-1 בין סך הכול לפעיל — מודל שנושא 78 מיליארד פרמטרים אבל מפעיל כ-3.5 מיליארד מהם בכל טוקן נתון. Aleph Alpha מחליפה בין אלה לבין בלוקי קשב מסוג group-query בתבנית של 4 ל-1, וזה מה ששומר על חלון ההקשר המקורי של 262,144 טוקנים בהישג יד: נתיב של מיליון טוקנים מאומת, ומטמון ה-KV נשמר ב-FP8 כדי שהקצה הארוך של החלון הזה ייכנס לזיכרון ולא לגיליון אלקטרוני.

הבחירות בפורמט המספרי נחשפות במידה בלתי שגרתית. המשקלים הם FP8 בבלוקים של 128 על 128. מטמון ה-KV הוא FP8. הטמעות, ראש מודל השפה, שכבות הנרמול והראוטר נשארים ב-bfloat16 — החלקים שבהם נזק קוונטיזציה היה בא לידי ביטוי בהחלטות ניתוב ולא בהפסדים. ארבע רמות מאמץ נחשפות. קריאה לכלים עוקבת אחר פורמט Hermes עם מפענח vLLM, מה שאומר שהיא משתלבת במערך סוכנים קיים במקום לדרוש אינטגרציה ייעודית.

Glimpse אינה מפרסמת דבר מזה. לא מספר פרמטרים. לא מבנה מומחים של ממש, לא חלון הקשר, לא סכימת קוונטיזציה, לא מודל בסיס נקוב בשם — רק הביטוי "עבר אימון-המשך על מודל בסיס במשקלים פתוחים", שאינו מציין איזה. מה שהיא מפרסמת במקום זאת הוא העקבות: מעבר ראשון בקצב של כ-8 פריימים לשנייה, קריאה טנטטיבית, חזרה ל-0.9 שניות מהקליפ בקצב של כ-14 פריימים לשנייה, ובדוגמה שנייה קצה חלון שנעקב מבערך 2.2 שניות לתוך הקליפ עד שהוא כמעט נעצר ב-5.13 שניות.

שני אלה הם גילויים בנוגע למחשוב. זה של Kolibri הוא הצהרה על לאן מופנה המחשוב כשהמודל נטען. זה של Glimpse הוא הצהרה על לאן מופנה המחשוב בזמן שהמודל חושב. רק אחד מהם מגיע עם מספר.

הגיליונות שפורסמו, זה לצד זה

• גודל — K​olibri: 78,103,074,560 פרמטרים בסך הכול, 3,457,573,120 פעילים. G​limpse: לא פורסם, כאשר "קטן וזול באופן מהותי ממערכות הקצה שעליהן הוא נבחן" הוא הצהרת הגודל היחידה ש-E​lorian מציין.

• גישה — משקולות Apache 2.0 עבור K​olibri, ניתנות להורדה ולאחסון עצמי. אין כאלה עבור G​limpse, שהוא API וצ'אט בלבד עם הרשמה חינם.

• הקשר — 262,144 טוקנים נייטיביים עבור K​olibri, עם 1,048,576 מאומתים. לא פורסם עבור G​limpse, שהוא החוסר המביך יותר, מכיוון שיכולת הדגל של G​limpse היא קריאת וידאו.

• שפות — גרמנית ואנגלית עבור K​olibri, שאותן מציגה A​leph Alpha כהחלטת עיצוב ולא כמגבלה. G​limpse אינה מפרסמת כיסוי שפות כלל.

• מחיר — $0.60 למיליון אסימוני קלט ו-$3.00 למיליון אסימוני פלט עבור G​limpse — והמנגנון אומר שאסימוני הפלט הם המקום שבו הסריקה החוזרת מופיעה, כך שהעקבה היא הקבלה. ל-K​olibri אין מחירון, כי העלות היא החומרה.

• הערכה עצמאית — למעשה אין לאף אחד מהם. לאף אחד מהם אין רתמת בדיקה של צד שלישי המשחזרת את המספרים שלו, ושתי קבוצות הנתונים המפורסמים הן של הספק עצמו.

הרצת האימון ש-Aleph Alpha פרסמה במלואה

כאן K​olibri נבדל כמעט מכל גרסה של השנה, וכדאי לעבור על זה, כי זה מספר לך מה עלה לבנות את הדלילות.

קורפוס האימון המקדים הכיל 20 טריליון טוקנים, מחולק בערך ל-62.5% אנגלית, 23.9% גרמנית ו-13.6% קוד. שלב האימון האמצעי הוסיף עוד 3.44 טריליון, ושלב ההקשר הארוך תרם 201 מיליארד. ההרצה השתמשה ב-768 מאיצי NVIDIA B200 על פני 96 צמתי HGX, ארכה 21 ימים ו-511 שעות זמן שעון, וצרכה כ-392,000 שעות GPU — 6.4×10²³ פעולות נקודה צפה, בתקציב אנרגיה של כ-9.5×10² מגה-ואט-שעה.

המספרים האלה הם המחיר הכנה של מודל עם 3.46 מיליארד פרמטרים פעילים שמתנהג כמו משהו גדול בהרבה. הם גם אינם ניתנים לשחזור עבור מי שנמצא מחוץ למעבדה ממומנת היטב, וזה בדיוק הטיעון בעד משקלים פתוחים: עלות האימון משולמת פעם אחת על ידי החברה שמפרסמת את כרטיס המודל, וכל מי שבהמשך הדרך מקבל את התוצר במחיר ההורדה.

קודמו מלמד. K​olibri Origin היה בעל 30.6 מיליארד פרמטרים, עם 3.27 מיליארד פעילים, חלון הקשר של 65,536 טוקנים ו-7.51 טריליון טוקני אימון — והוא מעולם לא שוחרר. המודל שפורסם אינו ניסיון ראשון; הוא השני, והפער ביניהם הוא בערך הפער בין אב טיפוס למוצר.

אין דבר דומה ל-G​limpse. E​lorian אומר רק שהמודל עבר post-training בידי צוות קטן עם כמה מאות GPUs. אין מודל בסיס בשם, אין מספר טוקנים, אין תיאור נתונים, אין גילוי מחשוב. זהו הבדל לגיטימי בין פרסום צ׳קפוינט לבין אספקת נקודת קצה — אתה חושף את מה שאתה מוסר — אבל פירוש הדבר ששתי ההשקות לא ניתנות להשוואה מבחינה כלכלית מעבר למחירון, כי רק אחת מהן פרסמה את העלויות שלה.

התא הריק של ספירת הפרמטרים

הנה המלכודת בהשוואה הזו, והיא פועלת לכיוונו של Glimpse.

קל לקרוא את 3.46 מיליארד הפרמטרים הפעילים של Kolibri ולהסיק ש-Glimpse — מתארח, זול לכל טוקן, מכוון ליכולת צרה — חייב להיות קטן, או חייב להיות זול להרצה, או חייב להיות כיוונון עדין של משהו צנוע. שום דבר מזה לא נובע. מספר הפרמטרים של Glimpse מעולם לא פורסם. חלון ההקשר שלו מעולם לא פורסם. מודל הבסיס שלו מעולם לא צוין בשמו. טענת הגודל היחידה בפוסט ההשקה היא השוואתית ובלתי מכומתת. כאשר ההתנהגות אינה חושפת גודל, וההתנהגות של המודל הזה היא לוח זמני דגימה ולא ארכיטקטורה, מספר הפרמטרים יכול להיות כמעט כל דבר, ושום דבר שפורסם לא יסתור זאת.

אז תא ספירת הפרמטרים נשאר ריק, וכל נתון שמישהו מצטט לגבי הגודל של Glimpse החודש הוא הערכה בתחפושת של מפרט. זה נכון גם בכיוון ההפוך, אגב: היחס 22.6 ל-1 של Kolibri לא מספר לכם את עלות ההסקה שלה על החומרה שלכם, מפני שמשקולות FP8 בבלוקים של 128×128 זקוקות לתמיכת מאיץ ספציפית כדי להיות יתרון ולא שלב המרה.

במה כל אסטרטגיה נכשלת

האילוץ של Kolibri הוא כיסוי השפות, והוא מכוון. גרמנית ואנגלית, שום דבר אחר. עבור מיזם אירופי עם תעבורה בשפה הגרמנית זו תכונה — תמהיל האימון מוטה לעבר שפה שרוב המודלים הפתוחים מתייחסים אליה כשגיאת עיגול. ולכל השאר זה לא בא בחשבון, ושום גודל של חלון הקשר לא מפצה על כך.

האילוץ השני שלו הוא האריתמטיקה של ההקשר הארוך. נתיב של מיליון טוקנים עובר אימות, וזה באמת גדול. אבל נתיב מאומת אינו זהה לנתיב שאינו נשחק; באורכים האלה, דיוק האחזור של כמעט כל מודל צונח הרבה לפני שהחלון נגמר, ואין הערכה מפורסמת שאומרת היכן מתכופפת העקומה של K​olibri. התייחס לחלון כאל קיבולת שאפשר להקצות, ולא כאל דיוק שאפשר להניח.

המגבלה של G​limpse היא הצורה ההפוכה: יכולת צרה בלי שום דבר סביבה. אם השאלה היא מה קרה בתוך שבריר שנייה של צילום, G​limpse מכוון ישירות אליה. אם השאלה היא מה סצנה מרמזת ולא מה היא מצהירה, הריווינד לא עוזר — במבחן Humanity's Sixth Sense, אותו פרסם E​lorian עם Scale AI תשעה ימים לפני שהמודל הושק, G​limpse מקבל ציון 46.36 לעומת 53.6 של GPT-6 Astra, וניתוח הכשלים של המבחן עצמו מייחס 94% מהשגיאות המתויגות לראייה והסקה ולא לחשיבה. יותר הסתכלות אינה יותר הבנה, והטבלה של הספק עצמו היא ההוכחה.

קיימת גם מחלקה של בעיות שאף אחד מהשניים לא מטפל בהן: זו שבה התשובה חייבת להיות סף. Glimpse כותב פרוזה. Kolibri קורא וכותב. אף אחד מהם לא נבנה כדי להחזיר מספר מכויל לכל אפשרות, ואם זה מה שהפייפליין צריך, הרי שהכלי הוא צורת מודל שונה לחלוטין.

איפה שכבת ניתוב מצדיקה את מקומה — ואיפה היא לא

שני המודלים יושבים משני צדיו של גבול שהניתוב יכול להזיז, וגבול אחד שהניתוב לא יכול להזיז.

הגבול שהוא מזיז הוא העלות והעמידות של ערבוב נתיבים. לצוות שמריץ K​olibri על המאיצים שלו לתעבורה בשפה הגרמנית ומודל מתארח לכל השאר יש שני מסלולי קוד, שני מצבי כשל ושתי קבוצות של פרטי גישה. OrcaRouter מצמצם את זה למפתח אחד מול יותר מ-200 מודלים, עם DSL לניתוב שמחליט איזו בקשה הולכת לאיזה נתיב ומעבר אוטומטי לגיבוי שמשאיר את הבקשה פעילה כשהנתיב באירוח עצמי רווי או לא זמין. מחירי המחירון של הספקים מועברים הלאה בלי שום תוספת לכל טוקן, כך שהחצי המתארח של התערובת הזו עולה בדיוק מה שהספק שלו גובה ועוקב אחרי המחיר של אותו ספק ביום שבו הוא משתנה.

הגבול שאותו היא אינה מזיזה הוא המשמורת, וכאן ל-K​olibri יש יתרון ששום שכבת ניתוב לא יכולה לייצר. המשקלים שלה ניתנים להורדה. אם הקורפוס אינו יכול לצאת מהבניין, נקודת ביקורת ברישיון Apache 2.0 היא היחידה מבין השניים שרצה במקום שבו הנתונים חיים, ושום הערכה של אף אחד מהשניים לא משנה זאת. גם אף אחד מהשניים אינו בקטלוג שלנו — K​olibri הוא הורדה ו-G​limpse הוא ה-API וממשק הצ'אט של E​lorian עצמה — כך שזו הצהרה על אופן הניתוב שלנו, ולא טענה שאנו מספקים אותם.

איך להחליט בלי אמת מידה משותפת?

אין לוח תוצאות שמדרג את שני אלה, וזה לא מפני שאחד מהם חדש. הטבלה של E​lorian מודדת תפיסת וידאו ותמונה מול GPT-6 Astra; הכרטיס של A​leph Alpha מודד את הפריסה האקדמית הרגילה בתוספת אחזור בהקשר ארוך. אין להם שום משימה משותפת, ולכן ההשוואה היחידה שחשובה היא מול עומס העבודה שלך.

שלוש שאלות מכריעות זאת מהר יותר מכל טבלה.

האם הנתונים חייבים להישאר על חומרה שבשליטתך? אם כן, Kolibri הוא המועמד היחיד כאן, הרישיון הוא Apache 2.0, וכיסוי הגרמנית-אנגלית או שמתאים לפריסה שלך או שפוסל אותו מיד.

האם מצב הכשל הוא זמני — זהות אובייקט לאורך הסתרה, תנועת מצלמה לעומת חיתוך, אירוע בתוך חלון של פחות משנייה? אם כן, Glimpse הוא המודל היחיד מבין השניים שהמנגנון המוצהר שלו מתייחס לכך, ההרשמה החינמית הופכת את הניסוי לזול, וה-trace מספר לך יותר מהציון: הרץ את הקליפים שלך ובדוק אם המודל אי פעם חזר למרווח שהכריע את התשובה.

האם עומס העבודה הוא הקשר ארוך אך לא וידאו ארוך — קורפוס מסמכים, סט תיוק, נתיב ביקורת? אם כן, החלון המקורי של K​olibri בגודל 262,144 טוקנים עם נתיב מיליון טוקנים מאומת הוא המספר הרלוונטי, ואף אחת מההערכות המפורסמות של המודלים לא מכריעה אם הוא שורד את עקומת ההידרדרות באורכים האלה. את זה חייבים למדוד, על הנתונים שלך, לפני שכל אחת מההחלטות בטוחה.

הכשלים המתועדים של ה-AI ותקריות הסוכנים שמאחורי גרסאות כמו זו נאספים בארכיון תקריות ה-AI של OrcaRouter, שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג מהימנות ודגל מחלוקת.