Glimpse vs Intern Decision 4B: Manakah dari Keduanya yang Sebenarnya Menjawab Pertanyaan Anda

Kedua model dalam perbandingan ini berbagi modalitas dan hampir tidak ada kesamaan lain. E​lorian G​limpse, dirilis 16 Oktober 2026, adalah pratinjau penalaran visual yang dapat kembali ke jendela di dalam video yang telah ditontonnya — dalam jejak yang dipublikasikan, sembilan persepuluh detik dipindai ulang pada sekitar 14 frame per detik setelah pass pertama pada sekitar 8 — lalu menulis jawaban dalam bentuk prosa. Intern-Decision-4B, diunggah oleh tim I​nternLM dari Shanghai AI Laboratory pada 26 September 2026 tanpa pengumuman sama sekali, tidak menulis apa pun. Model ini menerima state bersama, skema pertanyaan bernama, dan secara opsional beberapa gambar, lalu mengembalikan distribusi probabilitas terkalibrasi di antara jawaban bernama tersebut dalam satu forward pass. Model ini tidak pernah memanggil generate(). Tidak ada rantai pemikiran, tidak ada kalimat, tidak ada output token demi token dalam bentuk apa pun.

Ini berarti pertanyaan pertama dalam perbandingan ini bukanlah model mana yang lebih baik. Pertanyaannya adalah apakah masalah Anda merupakan masalah membaca atau masalah keputusan, dan sebagian besar tim menemukan bahwa mereka selama ini memperlakukan masalah keputusan sebagai masalah membaca karena membaca adalah satu-satunya instrumen yang tersedia.

Model yang mengembalikan sebuah angka, bukan paragraf

Keluarga Intern-Decision hadir dengan tenang pada pagi 26 September 2026 — tiga ukuran, 0.8B, 2B, dan 4B, diunggah dalam selang empat puluh detik satu sama lain, yang merupakan tanda skrip, bukan proses rilis. Tidak ada pos blog, tidak ada esai kartu model, tidak ada utas peluncuran. Space demo mengembalikan 401 pada saat penulisan, koleksinya mengembalikan 401, organisasi GitHub mengembalikan 404, dan anggota terbesar dari keluarga ini telah mengumpulkan nol unduhan dan satu like. Semua yang di bawah ini dibaca dari konfigurasi dan repositori yang dirilis, bukan dari vendor yang memberi tahu kita apa yang dilakukannya.

Apa yang dikatakan konfigurasi itu spesifik. Intern-Decision-4B adalah fine-tune 4,54 miliar parameter dari Q​wen 3.5 4B, dan antarmukanya adalah mesin keputusan, bukan penyelesaian obrolan. Anda memberinya keadaan bersama — konteks yang dibagikan oleh semua pertanyaan — plus skema yang menamai sekumpulan pertanyaan, plus hingga delapan gambar. Ia mengembalikan distribusi atas kosakata tetap simbol token tunggal: A sampai Z, a sampai z, dan 0 sampai 9. Enam puluh dua simbol, yang justru menjadi alasan batas opsinya adalah enam puluh dua, dan bukan pilihan desain yang dicapai siapa pun dengan memikirkan berapa banyak jawaban yang diinginkan manusia. Tiga jenis pertanyaan didukung: pilihan di antara opsi bernama, skor pada skala, dan keputusan berbentuk ya/tidak.

Itulah keseluruhan produknya. Nilainya bukanlah akurasi secara abstrak. Nilainya adalah bahwa output-nya merupakan probabilitas yang dapat Anda beri ambang batas dan audit setelahnya, dihasilkan secara deterministik dalam satu forward pass, bukan sebuah paragraf yang tingkat keyakinannya harus Anda simpulkan dari nadanya.

Antarmuka adalah pembedanya yang sesungguhnya

• Apa yang masuk — Glimpse menerima video dan gambar serta pertanyaan dalam bahasa alami. Intern-Decision-4B menerima state bersama, skema pertanyaan yang diberi nama secara eksplisit, dan hingga delapan gambar.

• Apa yang dihasilkan — Glimpse mengembalikan prosa plus jejak tentang di mana dalam klip itu ia melihat. Intern-Decision-4B mengembalikan distribusi atas hingga 62 simbol, yaitu satu angka per opsi dan tidak ada yang lain.

• Biaya keluaran — satu forward pass terhadap aliran token. Glimpse menagih $3,00 per juta token keluaran dan mekanismenya sengaja menghabiskan token ekstra untuk melihat lagi, jadi jejaknya adalah kuitansinya. Intern-Decision-4B menghasilkan sejumlah kecil logits tetap per permintaan, yang membuat biaya keluaran hampir konstan alih-alih proporsional dengan seberapa sulit pertanyaannya.

• Ukuran — 4,54 miliar parameter, dipublikasikan, dapat diunduh. Tidak dipublikasikan untuk Glimpse, yang hanya menyatakan bahwa model itu "jauh lebih kecil dan lebih murah" daripada model-model frontier dalam tabel tolok ukurnya sendiri.

• Bobot — terbuka untuk setiap anggota keluarga Intern-Decision. Tidak ada untuk G​limpse, yang hanya ada di balik API dan antarmuka obrolan E​lorian.

• Independensi — keduanya setara di sini, dan sama-sama lemah. Baris tolok ukur G​limpse adalah milik E​lorian sendiri, tidak direproduksi, dijalankan pada upaya berpikir tertingginya terhadap para pesaing yang dievaluasi di bawah upaya mereka. Intern-Decision-4B tidak memiliki evaluasi terbitan apa pun yang dapat ditemukan artikel ini; angka-angka dalam konfigurasinya adalah geometri atensi, bukan akurasi.

Batas yang tersembunyi di dalam tokeniser

Inilah angka yang menentukan apakah Intern-Decision-4B dapat digunakan untuk pekerjaan tertentu, dan angka itu tidak ada di berita utama mana pun.

Menara Qwen 3.5 4B yang mendasari menyatakan penyematan posisi maksimum 262.144 token. Mesin keputusan yang membungkusnya dibangun dengan max_length=8192, dan input di atas itu ditolak mentah-mentah alih-alih dipotong. Dengan sendirinya, itu adalah pilihan rekayasa yang dapat dipertahankan — pemotongan senyap mengubah konteks panjang menjadi jawaban yang salah tanpa kesalahan. Namun, delapan gambar diperhitungkan terhadap anggaran 8.192 yang sama. Dalam alur kerja yang memberikan model sekumpulan tangkapan layar plus status bersama yang menjelaskan suatu kasus, plafon praktis tercapai jauh lebih cepat daripada yang disiratkan 262.144, dan kegagalannya adalah penolakan keras alih-alih jawaban yang menurun.

Siapa pun yang berencana menggunakan Intern-Decision-4B untuk peninjauan dokumen harus menguji batas itu sebelum merancang dengan mempertimbangkannya. Demo Space, koleksi, dan repositori semuanya tidak dapat diakses ketika tulisan ini dibuat, jadi satu-satunya cara untuk menetapkan batas atas yang sebenarnya adalah dengan membuat input dan mengamati di mana mesin menolaknya.

G​limpse memiliki masalah bayangan cermin di tempat yang sama. Jendela konteksnya belum pernah dipublikasikan, dan kemampuan unggulan model ini adalah membaca video. Interval 0,9 detik muat di jendela mana pun. Klip berdurasi dua jam tidak, dan tidak ada angka yang dipublikasikan yang menyatakan di mana batasnya. Dalam kedua kasus, kemampuan penalaran dijelaskan dan wadah yang harus dimasukinya adalah bagian yang dibiarkan menebak-nebak — kebetulan berupa kelalaian, bukan kebetulan rancangan.

Di bidang apa masing-masing benar-benar lebih unggul

Argumen konkret untuk Glimpse adalah resolusi temporal. Pengambilan sampel dengan jadwal tetap kehilangan apa pun yang jatuh di antara dua frame yang disampel, itulah sebabnya pan atau cut, identitas objek selama oklusi, dan peristiwa subdetik menjadi pertanyaan sulit, bukan pertanyaan mudah. Parameter yang lebih banyak pada delapan frame per detik tidak memulihkan informasi yang hilang; mengeluarkan komputasi ekstra pada satu interval setelah seluruh klip dilihatlah yang memulihkannya. Jejak Elorian menunjukkan model melakukan tepat hal itu, dan ruang coretan visual membuat keputusan dapat diperiksa setelah kejadian — Anda dapat melihat apakah model pernah kembali ke interval yang menentukan jawabannya.

Alasan konkret untuk Intern-Decision-4B adalah bahwa model ini menghilangkan langkah parsing dari pipeline klasifikasi sepenuhnya. Bayangkan alur underwriting atau triase yang saat ini memanggil model besar dengan prompt yang memintanya membalas dengan salah satu dari lima label, lalu mengurai balasannya, lalu mencoba ulang ketika model menjawab dengan kalimat alih-alih label, lalu memperlakukan "mungkin ya" seolah-olah itu ya. Intern-Decision-4B memadatkannya menjadi satu forward pass yang mengembalikan lima probabilitas. Tanpa parser, tanpa loop percobaan ulang, tanpa ambiguitas tentang apa yang dimaksud model. Jika ambang batas pada label ketiga adalah 0,7, itu adalah angka di dalam kode Anda, bukan heuristik di dalam prompt Anda.

Argumen untuk tidak memilih keduanya juga layak dikemukakan. Jika yang Anda butuhkan adalah paragraf yang menjelaskan apa yang sedang terjadi dalam sebuah adegan, Intern-Decision-4B tidak dapat menghasilkannya — model ini sama sekali tidak memiliki jalur generasi. Jika yang Anda butuhkan adalah keputusan ambang batas atas konten semantik sebuah gambar, G​limpse adalah cara mahal untuk mendapatkan angka yang bisa Anda peroleh dengan lebih murah, dan tabel tolok ukur dari vendornya sendiri adalah bukti bahwa memutar ulang media tidak meningkatkan inferensi tentang apa yang tersirat dari sebuah adegan: pada evaluasi Humanity's Sixth Sense milik E​lorian, G​limpse mencetak skor 46,36 berbanding 53,6 milik GPT-6 Astra, pada tolok ukur yang dibangun E​lorian bersama Scale AI.

Menempatkan salah satunya di belakang jalur produksi

Pertanyaan routing di sini bukan tentang harga, karena kedua model itu bukan pengganti dari sisi harga — yang satu ditagih per token, yang lainnya adalah forward pass tetap, dan tidak satu pun ada di katalog kami. Ini tentang apa yang berada di depan sebuah model yang mode kegagalannya berupa penolakan keras.

Intern-Decision-4B menolak input di atas batas mesinnya. Pipeline yang tidak memiliki fallback untuk penolakan itu akan menjatuhkan permintaan. Jawaban OrcaRouter untuk bentuk masalah seperti itu adalah failover otomatis: satu kunci di depan 200+ model, dengan DSL perutean yang memutuskan permintaan mana pergi ke mana, sehingga permintaan yang ditolak oleh mesin pengambil keputusan dapat dikirim ke model generatif yang membaca input yang sama dan menulis jawabannya dalam bentuk prosa. Harga daftar penyedia diteruskan tanpa tambahan apa pun per token, sehingga jalur sekunder berbiaya persis seperti yang dibebankan vendornya sendiri dan berubah pada hari vendor tersebut mengubah tarifnya. Lapisan yang sama membuat pratinjau yang belum terbukti dapat diuji tanpa mempromosikannya: tempatkan G​limpse pada rute bayangan, bandingkan putusannya dengan model yang sudah Anda percayai, dan promosikan hanya ketika jejak menunjukkan bahwa ia kembali ke interval yang penting. Kami tidak melayani kedua model tersebut — API milik E​lorian sendiri adalah tempat G​limpse berada, dan Intern-Decision-4B adalah unduhan — jadi lapisan perutean tersebut bekerja pada bentuk pipeline, bukan pada ketersediaan kedua model ini.

Apa yang bisa mengubah jawabannya

Untuk Glimpse, tiga hal: harness independen yang mereproduksi satu baris tabel Elorian, jendela konteks yang dipublikasikan, dan pengungkapan apa pun tentang model dasar yang dijadikan sasaran pasca-pelatihan perusahaan. Ketiganya saat ini kosong.

Untuk Intern-Decision-4B, ada dua hal. Dokumentasi akan menjadi yang pertama — tiga unggahan model dalam empat puluh detik dengan Space yang tidak dapat diakses, koleksi yang tidak dapat diakses, dan repositori 404 bukanlah sebuah rilis, melainkan snapshot yang kabur. Mesin keputusan tanpa angka akurasi yang dipublikasikan tidak dapat dikalibrasi terhadap apa pun, dan model yang mengembalikan probabilitas bernilai persis sebanyak kepercayaan yang dapat Anda tempatkan padanya. Batas mesin yang dinaikkan atau panduan jujur tentang anggaran gambar akan menjadi yang kedua, karena batas 8.192 token yang secara diam-diam mencakup hingga delapan gambar adalah kejutan spesifikasi yang tinggal menunggu terjadi di produksi.

Sampai itu tiba, pemisahannya bersih dan tidak ada hubungannya dengan model mana yang lebih besar. Jika tugas Anda adalah menonton rekaman dan memberi tahu seseorang apa yang terjadi, dengan interval yang menentukan jawaban terlihat di trace, G​limpse adalah satu-satunya dari keduanya yang dapat melakukannya, dan pendaftaran gratis membuat pengujiannya murah. Jika tugas Anda adalah mengklasifikasikan, menilai, atau memutuskan di antara opsi-opsi bernama dan Anda memerlukan angka terkalibrasi per opsi alih-alih kalimat tentang opsi tersebut, Intern-Decision-4B dibuat persis untuk itu dan tidak untuk hal lain — terimalah bahwa model itu tidak terdokumentasi, uji batas 8.192 token lebih awal, dan jangan berharap model itu menjelaskan dirinya sendiri, karena tidak ada mekanisme untuk melakukannya.

Kegagalan AI yang terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive, tempat setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda sengketa.