Glimpse vs LFM2.5 2.6B Base: Salah Satunya Tidak Dapat Menjawab Pertanyaan

Glimpse adalah pratinjau riset penalaran visual Elorian, dirilis pada 16 Oktober 2026, dan nilai jualnya adalah sebuah perilaku: saat sedang berpikir, ia dapat kembali ke gambar atau video, memindai ulang interval 0,9 detik pada laju bingkai yang lebih rapat, memperbesar suatu wilayah, atau melacak satu fitur sepanjang waktu, dan baru kemudian menjawab. LFM2.5 2.6B Base adalah checkpoint 2,69 miliar parameter yang diterbitkan Liquid AI pada 4 Agustus 2026 di bawah LFM Open License v1.0, dan sama sekali tidak memiliki penyetelan instruksi — ia tidak pernah dilatih untuk menjawab apa pun. Berikan sebuah pertanyaan kepadanya dan ia akan melanjutkan teks, secara masuk akal, dalam register bahasa dari apa pun yang mendahuluinya. Itu bukan cacat atau rilis yang hilang; itu memang spesifikasinya. Jadi hal pertama yang perlu dikatakan tentang pasangan ini adalah bahwa ini bukan pertandingan antara dua model dengan kualitas berbeda. Ini adalah pertarungan antara kemampuan yang Anda sewa dan bahan mentah yang Anda latih, dan satu fakta tunggal yang menentukan di antara keduanya adalah apakah pekerjaan yang Anda miliki berupa pertanyaan atau dataset.

Semua yang di bawah ini mengikuti dari hal itu, termasuk fakta bahwa hanya satu dari dua ini yang memiliki tabel benchmark — dan itu bukan yang akan diduga oleh pembaca.

Dua objek, dijelaskan tanpa bahasa pemasaran.

Glimpse tidak memiliki artefak yang dapat diunduh. Elorian tidak menerbitkan jumlah parameter, arsitektur, jendela konteks, maupun nama untuk model dasar open-weights yang katanya menjadi dasar pasca-pelatihannya. Yang ada adalah API dan antarmuka obrolan dengan pendaftaran gratis, harga US$0,60 per juta token masukan dan US$3,00 per juta token keluaran, serta serangkaian jejak kerja yang menunjukkan model itu meninjau kembali bukti visual di tengah proses berpikirnya. Ruang coretan visualnya — permukaan tempat ia memeriksa ulang apa yang dilihatnya — adalah produknya.

LFM2.5 2.6B Base adalah kebalikan persisnya. Ini adalah sebuah file. Tiga puluh lapisan, yang 22 di antaranya adalah blok short-convolution dengan gerbang ganda dan 8 adalah attention kueri berkelompok; sekitar 34 triliun token pelatihan dalam 16 bahasa; jendela konteks 131.072 token; build terkuantisasi sekitar 1,67 GB. Model ini hanya teks, bersifat dense, dan sengaja tidak diberi skor, karena memberi skor pada checkpoint dasar dalam tolok ukur pengikutan instruksi akan mengukur ketiadaan fine-tuning, bukan kualitas substratnya.

• Apa yang Anda terima — Glimpse: kunci API dan endpoint yang dihosting. LFM2.5 2.6B Base: bobot, tokenizer, dan lisensi.

• Modalitas — Glimpse: gambar dan video masuk, dengan pengambilan sampel re-entrant seiring waktu. LFM2.5 2.6B Base: teks masuk, teks keluar.

• Harga — Glimpse $0,60 / $3,00 per juta token, diterbitkan oleh vendor. LFM2.5 2.6B Base: tanpa biaya per panggilan; perangkat kerasnya Anda sediakan sendiri.

• Ukuran yang dipublikasikan — tidak diungkapkan untuk Glimpse, yang tidak biasa untuk model yang dihosting dan itu sendiri merupakan pengungkapannya. 2.69B dense untuk LFM2.5 2.6B Base, setiap bobot terlihat di repositori.

• Perilaku bawaan — Glimpse menjawab pertanyaan tentang apa yang telah dilihatnya. LFM2.5 2.6B Base melanjutkan teks Anda, karena itulah yang dihasilkan oleh prapelatihan.

• Lisensi — Glimpse adalah pratinjau yang dihosting berdasarkan ketentuan Elorian. LFM Open License v1.0, gratis untuk pendapatan tahunan di bawah $10 juta dan memerlukan lisensi terpisah pada atau di atas ambang tersebut.

Mengapa hanya satu dari ini yang memiliki kartu skor?

Inilah bagian yang terasa terbalik. Model tanpa bobot, tanpa ukuran yang diungkapkan, dan tanpa evaluasi independen menerbitkan tabel tolok ukur dua belas baris terhadap GPT-6 Astra. Model dengan setiap bobot yang diterbitkan dan arsitektur yang terdokumentasi sepenuhnya tidak menerbitkan apa pun.

Kedua bagian kosong itu rasional, dan keduanya berarti hal yang berlawanan, jadi ada gunanya memisahkan keduanya.

Tabel Glimpse dilaporkan oleh vendor dan belum direproduksi — angka Elorian sendiri, melawan pilihan pesaingnya sendiri, dijalankan pada upaya berpikir tertinggi model dengan harness agen bawaannya, dengan catatan kaki yang mengungkapkan bahwa beberapa pesaing dijalankan di bawah upaya maksimum mereka dan bahwa baris HSS mencampurkan angka yang dilaporkan dalam makalah dari laboratorium lain. Jika dibaca sebagai klaim tentang arah, ini informatif; jika dibaca sebagai skor, ini belum menjadi bukti, karena tidak ada orang di luar perusahaan yang menjalankannya. Dan bagian tabel yang paling berguna justru bagian yang tidak menyanjung: Glimpse mencetak 46,36 pada Humanity's Sixth Sense melawan 53,6 milik Astra, pada tolok ukur yang dibangun sendiri oleh Elorian bersama Scale AI. Rewind membeli persepsi — menghitung, membaca grafik, melacak objek melalui gerakan — dan tidak membeli inferensi tentang apa yang disiratkan sebuah adegan.

Kekosongan LFM2.5 2.6B Base berbeda jenisnya. Tidak ada yang bisa dinilai. Checkpoint dasar tidak memiliki perilaku; ia memiliki distribusi. Liquid AI justru melakukan benchmark pada model saudara yang telah menjalani pasca-pelatihan dalam keluarga tersebut, yang merupakan keputusan teknik yang tepat dan sama sekali tidak memberi tahu Anda apakah substrat akan cocok untuk tugas Anda.

Asimetri itu memiliki konsekuensi praktis. Bagi Glimpse, pertanyaan evaluasinya adalah "akankah klaim vendor bertahan di klip saya." Bagi LFM2.5 2.6B Base, pertanyaan evaluasinya adalah "dapatkah saya melatih ini menjadi sesuatu yang berfungsi" — dan pertanyaan kedua dapat dijawab hari ini, oleh Anda, dengan harga satu unduhan. Build 1,67 GB muat di laptop; loop pelatihannya yang menjadi pekerjaan.

Satuannya tidak dikonversi, jadi konversikan secara manual.

Harga per token dan unduhan gratis tidak dapat dibandingkan secara langsung, dan di sinilah sebagian besar perbandingan dengan pola seperti ini diam-diam berbuat curang. Cara yang jujur adalah memilih sebuah tugas dan memperhitungkan biaya kedua rute.

Ambil pekerjaan sempit bervolume tinggi yang benar-benar dikuasai oleh fine-tune kecil: membaca jenis dokumen tetap dan menghasilkan JSON terstruktur, menjalankan 50 juta token per bulan, kira-kira setengah masuk dan setengah keluar. Di Glimpse itu sekitar $90 per bulan — $15 untuk input dengan $0,60 per juta, $75 untuk output dengan $3,00 — ditambah waktu rekayasa untuk membuat prompt dan memvalidasinya. Di LFM2.5 2.6B Base, inferensinya gratis, dan biayanya sepenuhnya bergeser ke depan: menyusun beberapa ribu contoh berlabel, satu kali pelatihan di kartu Anda sendiri, satu set evaluasi, dan menjalankannya ulang setiap kali format dokumen berubah.

Dua hal yang mudah terlewat muncul dari perhitungan itu.

Yang pertama adalah bahwa fine-tune hanya unggul dalam hal biaya di atas ambang volume tertentu, dan ambang itu ditentukan oleh seberapa banyak pekerjaan rekayasa yang dapat diserap tim Anda, bukan oleh apa pun yang diterbitkan Liquid AI. Tim tanpa kapasitas pelatihan sama sekali tidak memiliki titik impas pada sisi perbandingan itu, yang merupakan fakta nyata dan sering kali menentukan.

Yang kedua adalah klaim harga Glimpse sendiri ditujukan ke tempat yang sama sekali berbeda. Elorian memposisikan $0.60/$3.00 sebagai 94% lebih rendah daripada GPT-6 Astra pada $10/$50 dan 85% lebih rendah daripada Claude Opus 5.5 pada $4/$20. Dibandingkan dengan model-model flagship terdepan, Glimpse murah. Dibandingkan dengan segmen model kecil — checkpoint 2.6B yang Anda miliki sendiri, atau jalur volume seperti Qwen3.8-Flash milik Alibaba pada $0.15/$0.47 — Glimpse berada di sisi mahal dalam perbandingan, dan artikel di samping artikel ini tentang Q​wen 3.8 menguraikannya dengan kartu tarif sebenarnya. Klaim diskon vendor selalu relatif terhadap kumpulan pembanding yang dipilih vendor.

Bagaimana Anda sebenarnya akan menjalankan tes tersebut

Perbandingan di atas hanya bernilai jika murah untuk dijalankan, dan hambatan praktisnya adalah kedua sisi berada di sistem yang berbeda: endpoint terkelola dengan satu kunci, dan loop pelatihan yang berakhir pada model yang harus Anda layani di suatu tempat. Mengubahnya menjadi uji A/B pada beban kerja Anda sendiri adalah tempat lapisan perutean membuktikan nilainya, dan argumennya tetap sama apakah Anda membandingkan fine-tune dengan API atau dua API satu sama lain.

OrcaRouter menempatkan endpoint teks dan setiap model yang dipublikasikan berdampingan di balik satu kunci — 200 lebih model, harga daftar penyedia diteruskan tanpa tambahan apa pun per token, satu tagihan, dan failover otomatis sehingga sore buruk suatu penyedia tidak menjadi sore buruk evaluasi Anda. Baik Glimpse maupun LFM2.5 2.6B Base tidak ada di katalog itu, dan tidak ada varian LFM2.5 yang ada di sana: Glimpse berasal dari API dan antarmuka chat milik Elorian sendiri, dan checkpoint Liquid berasal dari Liquid AI, keduanya merupakan hal yang Anda peroleh secara langsung. Yang diubah oleh lapisan routing adalah kelompok kontrol. Ketika pertanyaannya adalah "apakah fine-tune saya benar-benar lebih baik daripada sekadar memanggil sesuatu," Anda ingin sesuatu itu menjadi perubahan konfigurasi alih-alih siklus pengadaan, karena eksperimen yang dapat Anda jalankan sore ini adalah satu-satunya yang menghasilkan angka.

Ke mana fine-tuning tidak dapat membawa Anda, pada ukuran apa pun

Ini adalah bagian dari perbandingan yang tidak bermuara pada pertanyaan biaya, dan itulah alasan keduanya bukan substitusi dalam arah mana pun.

Kemampuan Glimpse bersifat temporal dan visual. Identitas objek lintas potongan, peristiwa di dalam jendela sub-detik, hitungan yang berubah saat sesuatu menghalangi — mekanisme rewind menangani hal-hal itu secara langsung, dan jejaknya menunjukkan apakah model benar-benar memindai ulang interval yang penting. Sebanyak apa pun fine-tuning pada checkpoint 2,69B yang hanya teks tidak akan menghasilkan perilaku itu, karena substratnya tidak memiliki masukan video dan tidak memiliki mekanisme untuk mengalokasikan komputasi tambahan pada interval tertentu setelah pass pertama. Anda tidak dapat mengandalkan pelatihan untuk masuk ke dalam arsitektur yang tidak Anda bangun.

Sebaliknya juga berlaku sama kuatnya. Pratinjau yang dihosting yang jumlah parameter, jendela konteks, dan model dasarnya semuanya tidak diungkapkan bukanlah sesuatu yang dapat Anda rilis di dalam produk yang diregulasi, jalankan secara air-gapped, atau jamin ketersediaannya. Dan daftar tarif pratinjau riset dapat berubah kapan saja, yang tidak masalah untuk uji coba dan merepotkan untuk model biaya.

Jadi, ringkasan yang jujur bukanlah bahwa salah satunya lebih baik. Melainkan bahwa tim dengan tugas teks dan dataset seharusnya melihat checkpoint, tim dengan pertanyaan visual temporal seharusnya melihat preview, dan tim yang tidak memiliki keduanya belum punya alasan untuk membandingkannya.

Tiga kondisi, dan apa implikasi masing-masing

Jika tugas Anda sempit, hanya teks, dan Anda memiliki — atau dapat membeli — beberapa ribu contoh berlabel, LFM2.5 2.6B Base adalah objek yang lebih bernilai, karena pada akhirnya Anda memiliki artefaknya dan membayar listrik, bukan token. Unduh build 1,67 GB terlebih dahulu dan pastikan hal itu berjalan di perangkat keras Anda sebelum Anda merencanakan apa pun di sekitarnya. Langkah itu memakan waktu satu sore.

Jika mode kegagalan Anda bersifat temporal — model melihat tetapi tidak cukup teliti — Glimpse adalah model yang dihosting pertama yang mekanisme dinyatakannya membidik hal itu secara langsung, dan pendaftaran gratis membuat pengujiannya murah. Jalankan klip Anda sendiri, lalu baca ruang coretannya: jika ia tidak pernah memindai ulang interval yang menentukan jawaban, Anda telah mempelajari sesuatu tentang pipeline Anda dan bukan hanya tentang model.

Jika Anda belum tahu Anda termasuk yang mana dari kedua hal itu, urutan operasinya sudah pasti: jalankan model yang dihosting terlebih dahulu, karena ia menjawab dalam satu sore apa yang dijawab proyek fine-tuning dalam satu bulan. Substratnya tetap tersedia. Itu akan tetap menjadi unduhan 1,67 GB kuartal depan, dan satu-satunya hal yang akan Anda habiskan adalah waktu yang seharusnya Anda habiskan untuk menyusun kumpulan data untuk tugas yang mungkin sudah bisa ditangani oleh satu panggilan API.

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.