Glimpse vs Gemma 4 12B: Mekanisme Rewind Melawan Sebuah Unduhan

Keduanya dibandingkan satu sama lain terutama karena keduanya digambarkan sebagai model visi, dan deskripsi itu nyaris tidak menjelaskan apa pun. Glimpse, dirilis oleh Elorian pada 16 Oktober 2026, adalah pratinjau riset yang dihosting yang perilaku penentunya adalah kemampuannya untuk kembali dan melihat lagi — memindai ulang sebagian klip pada laju bingkai yang lebih rapat, memperbesar ke suatu wilayah, atau melacak satu fitur dari waktu ke waktu — dan hanya dapat diakses melalui API dan antarmuka obrolan vendor. G​emma 4 12B adalah checkpoint berbobot terbuka yang padat dengan 11,95 miliar parameter dari G​oogle DeepMind, yang dirilis 3 Juni 2026 di bawah Apache 2.0, yang Anda unduh dan jalankan di perangkat keras Anda sendiri dan yang menutup pertanyaan yang sama dengan cara sebaliknya: ini adalah artefak tetap dengan jadwal pengambilan sampel bingkai yang tetap, dan seberapa banyak pun Anda melihatnya, itu tidak akan membuatnya memutar balik.

Jadi, perumusan yang jujur bukanlah "mana yang lebih baik dalam hal visi." Melainkan bahwa salah satunya adalah kemampuan yang Anda sewa dan yang lainnya adalah berkas yang Anda miliki, dan pilihan di antara keduanya ditentukan oleh fakta-fakta yang tidak ada hubungannya dengan baris-baris benchmark.

Perbedaan yang benar-benar menentukannya

Mulailah dari bentuk fisik masing-masing. Gemma 4 12B adalah sekumpulan bobot. Checkpoint yang disetel dengan instruksi di Hugging Face adalah satu file safetensors 23,92 GB pada bfloat16; build quantisation-aware-training milik Google sendiri berukuran sekitar 6,98 GB untuk bobotnya ditambah file proyeksi multimodal 0,18 GB, dan build Q4_K_M komunitas berada di sekitar 7,1 GB. Anda dapat memegangnya, melakukan fine-tuning padanya, mengkuantisasinya lebih lanjut, memasukkannya ke dalam produk, dan menjalankannya tanpa jaringan dan tanpa pengukur pemakaian. Itulah keseluruhan proposisinya.

Glimpse adalah bentuk objek yang berlawanan. Tidak ada bobot. Tidak ada jumlah parameter, tidak ada artefak yang dapat diunduh, dan tidak ada arsitektur yang dipublikasikan selain pernyataan bahwa model itu dilatih lanjut (post-trained) pada "model dasar berbobot terbuka" yang tidak disebutkan namanya oleh Elorian. Yang ada adalah API, antarmuka obrolan di platform.elorian.ai dengan pendaftaran gratis, dan perilaku yang dipublikasikan: ruang coretan visual model, tempat ia meninjau kembali dan menyempurnakan representasi visual internal saat proses berpikir berlangsung.

Asimetri itu adalah hal pertama yang perlu diperhitungkan, dan hal itu berdampak dua arah. Checkpoint yang dapat diunduh tidak dapat dicabut dukungannya dari bawah kaki Anda, tidak dapat mengubah perilaku di balik string versi, dan tidak dapat gagal pada pukul 3 pagi karena us-east-1 milik orang lain sedang bermasalah. Pratinjau terhosting dengan mekanisme rewind tidak dapat dijalankan pada mesin yang terisolasi dari jaringan, dan — poin yang paling penting untuk perbandingan G​emma 4 12B — tidak dapat dibuat agar muat dalam memori 16 GB, karena tidak ada yang bisa dimuat.

Apa yang diperoleh dari rewind, menurut angka vendor sendiri

Contoh-contoh yang dikerjakan Elorian adalah hal paling konkret yang dipublikasikan tentang Glimpse, dan itu layak dibaca sebagai deskripsi, bukan sebagai skor. Dalam satu jejak, model melakukan proses awal pada sekitar 8 frame per detik, membentuk pembacaan sementara, lalu kembali dan memindai ulang jendela 0,9 detik pada sekitar 14 fps untuk memutuskan apakah yang dilihatnya adalah pan atau cut. Dalam jejak lainnya, model mengikuti satu tepi jendela dari sekitar 2,2 detik di dalam klip hingga gerakannya hampir berhenti pada 5,13 detik.

Gemma 4 12B tidak memiliki padanan. Ia memproses video sebagai rangkaian frame sesuai jadwal yang Anda pilih, dan begitu frame-frame itu dipilih, apa pun yang jatuh di antaranya sudah hilang. Itu bukan cacat — itulah yang memang seharusnya dilakukan oleh checkpoint dengan bobot terbuka dan jalur inferensi yang dipublikasikan — tetapi itulah tepatnya jenis pertanyaan yang ada agar rewind dapat menjawabnya.

Keunggulan Gemma 4 12B terletak pada semua hal yang Anda lakukandengan sebuah model. Pada kartu model milik Google sendiri, yang mencakup seluruh keluarga model dan dilaporkan oleh vendor, bukan direproduksi secara independen, 12B mencetak 77,2% pada MMLU Pro, 78,8% pada GPQA Diamond, 77,5% pada AIME 2026 tanpa alat, 72,0% pada LiveCodeBench v6, ELO Codeforces 1659, 69,1% pada MMMU Pro dan 43,4% pada MRCR v2 pada 128K dengan delapan jarum. Glimpse tidak menerbitkan apa pun dalam keluarga itu sama sekali — tidak ada tolok ukur penalaran, tidak ada tolok ukur pengkodean, tidak ada tolok ukur pengetahuan. Perbandingannya tidak dekat karena perbandingan itu tidak pernah dijalankan.

Kartu skornya, dan bagian kosong mana yang disengaja

Dua kumpulan bukti yang dipublikasikan tidak saling beririsan. Tabel Glimpse dibandingkan dengan GPT-6 Astra dan dilaporkan vendor tanpa reproduksi independen; hal yang sama berlaku untuk tabel G​oogle. Membacanya secara berdampingan tetap berguna, karena ini menunjukkan apa yang masing-masing perusahaan pilih untuk diukur.

• WGO Bench (peristiwa manipulasi) — Glimpse 42.70 vs Astra 39.42. G​emma 4 12B: tidak dilaporkan.

• CharXiv-R — Glimpse 92.90 vs 92.10. G​emma 4 12B: tidak dilaporkan.

• UGC-VideoCap — Glimpse 82,66 vs 80,32. G​emma 4 12B: tidak dilaporkan.

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

• Video-MME v2 — Glimpse 56,68 vs Astra 64,06 dan GPT-6.1 Sol 65,27. G​emma 4 12B: tidak dilaporkan.

• Indra Keenam Umat Manusia — Glimpse 46.36 vs Astra 53.6. Gemma 4 12B: tidak dilaporkan.

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

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

• Pembacaan independen — Artificial Analysis memberi skor G​emma 4 12B pada Intelligence Index 14, diperingkat ke-20 dari 141 model di kelas pembandingnya, dengan kecepatan output terukur 110,9 token per detik. Glimpse tidak memiliki skor independen dalam bentuk apa pun; usianya baru satu hari.

Tabel Glimpse juga memuat catatan kaki yang sebaiknya tidak dilewatkan pembaca: hasil tersebut menggunakan upaya berpikir tertinggi dengan harness agen native model, dan untuk sebagian besar evaluasi video Sol dan Opus 5.5 dijalankan pada upaya high, bukan max, dengan baris HSS mencampurkan angka yang dilaporkan dalam makalah dari lab lain. Disiplin yang sama berlaku di sisi lain — angka pada kartu Google diterbitkan untuk checkpoint yang di-instruction-tune tanpa melibatkan harness pihak ketiga.

Berapa biaya masing-masing, dan dalam satuan apa

Di sinilah bentuk-bentuk paling jauh menyimpang, karena satuannya tidak dapat dikonversi.

Glimpse diberi harga per token: $0,60 per juta token masukan dan $3,00 per juta token keluaran. Elorian menyatakan perbandingannya sendiri — 94% lebih rendah daripada GPT-6 Astra pada $10/$50, 85% lebih rendah daripada Claude Opus 5.5 pada $4/$20, 70% lebih rendah daripada GPT-6.1 Sol pada $2/$10, dan 20% lebih rendah daripada tarif perkenalan Gemini 3.8 Flash sebesar $0,75/$3,75 — dan memberikan satu angka tingkat tugas, sebuah episode perencanaan robot yang berbiaya $0,035 di Glimpse versus $0,249 di Astra. Semua itu adalah angka vendor tentang model vendor tersebut.

Gemma 4 12B tidak memiliki harga vendor karena tidak ada layanan vendor. Satu-satunya angka per token yang ada untuknya adalah gabungan dari Artificial Analysis sebesar $0,10 per juta input dan $0,30 per juta output, dan itu adalah median di seluruh platform pihak ketiga yang melayani bobot terbuka, bukan harga daftar — Google tidak menerbitkan satupun. Jika Anda meng-host sendiri, angka yang sebenarnya Anda pedulikan bukanlah daftar tarif sama sekali. Itu adalah unduhan 7 GB, jam GPU, dan listrik.

Segala hal lainnya mengikuti dari itu. Panggilan Glimpse memiliki biaya marginal yang berskala dengan volume dan biaya tetap nol. Deployment Gemma 4 12B memiliki biaya marginal mendekati nol dan biaya tetap berupa sebuah mesin. Titik impas adalah soal volume, dan tidak ada vendor yang akan menerbitkannya untuk Anda.

Di mana posisi pasangan ini dalam katalog kami sendiri

Tidak satu pun dari model tersebut merupakan model yang dilayani OrcaRouter, dan ada baiknya kita bersikap terus terang soal itu daripada membiarkan pembaca menyimpulkan sebaliknya. Glimpse dapat diakses melalui API dan antarmuka obrolan milik Elorian sendiri; G​emma 4 12B adalah unduhan, dan rute yang dihosting untuknya adalah platform pihak ketiga yang menjalankan bobot terbuka. Ukuran G​emma 4 yang kami rutekan adalah G​emma 4 26B A4B dan G​emma 4 31B — varian yang lebih besar dan lebih mumpuni dari keluarga yang sama — dan jika pertanyaan Anda sebenarnya adalah "ukuran G​emma 4 mana yang harus saya panggil," halaman model kami untuk kedua ukuran itu akan menjawabnya lebih cepat daripada halaman ini.

Yang membuat lapisan perutean layak dipertimbangkan dalam perbandingan khusus ini adalah kasus tengah: tim yang ingin terus menjalankan ukuran G​emma 4 yang sudah mereka hosting sendiri, dan ingin mencoba pratinjau yang belum terbukti di sampingnya tanpa mempertaruhkan jalur produksi pada model yang baru saja dirilis kemarin. Menjaga keduanya di balik satu endpoint berarti pratinjau tersebut berada di balik failover otomatis, bukan di depannya, dan daftar tarif yang berubah — sebagaimana yang akan terjadi pada pratinjau riset — sudah aktif di sisi kami pada hari yang sama, bukan pada perpanjangan kontrak berikutnya. Itu adalah pernyataan tentang cara kami beroperasi, bukan klaim untuk menghosting salah satu dari keduanya.

Memilih, mengingat bahwa mereka bukan substitusi

Jika pekerjaan Anda bersifat temporal dan mode kegagalan Anda adalah "model melihat tetapi tidak melihat cukup teliti" — identitas sebuah objek di antara potongan, peristiwa di dalam jendela sub-detik, jumlah yang berubah saat sesuatu menghalangi — Glimpse adalah model yang dihosting pertama yang mekanisme yang dinyatakannya menargetkan hal itu secara langsung, dan pendaftaran gratisnya membuat pengujiannya murah. Jalankan klip Anda sendiri melaluinya. Lalu periksa ruang coretan: jika model tidak pernah memindai ulang interval yang penting, Anda telah mempelajari sesuatu tentang pipeline Anda dan bukan hanya tentang modelnya.

Jika pekerjaan Anda adalah menempatkan model multimodal yang kompeten pada perangkat keras yang Anda kendalikan — laptop dengan memori 16 GB menurut klaim Google sendiri, atau kartu 24 GB untuk build tanpa kuantisasi — Gemma 4 12B adalah jawaban yang matang, berlisensi, dan dapat dibenchmark, dan ia memiliki empat bulan kuantisasi dan perkakas komunitas di belakangnya, yang tidak dimiliki oleh pratinjau berusia satu hari. Kematangan itu bukan hal kecil: itulah perbedaan antara model yang bisa Anda jadikan dasar perencanaan satu kuartal dan model yang bisa Anda jadikan dasar perencanaan satu minggu.

Jebakannya adalah memilih Glimpse karena tabelnya mengalahkan Astra pada empat baris, lalu baru menyadari bahwa pekerjaan itu membutuhkan penalaran, bukan pemindaian ulang. Angka HSS model itu sendiri adalah bukti yang menentang tafsir tersebut — 46,36 berbanding 53,6 milik Astra, pada tolok ukur yang dibangun Elorian sendiri bersama Scale AI. Menerbitkan hasil yang gagal dilampaui oleh model Anda sendiri adalah sinyal kredibilitas, dan itu juga memberi tahu Anda secara tepat apa yang tidak diperbaiki oleh rewind.

Tidak ada satu pun dari itu yang hipotetis: kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda status diperdebatkan.