Glimpse vs Gemma 4 12B: un meccanismo di riavvolgimento contro un download

Questi due vengono confrontati tra loro principalmente perché entrambi sono descritti come modelli di visione, e quella descrizione non spiega quasi nulla. Glimpse, rilasciato da Elorian il 16 ottobre 2026, è un'anteprima di ricerca ospitata il cui comportamento distintivo è che può tornare indietro e guardare di nuovo — riscansionando parte di una clip a una frequenza di fotogrammi più densa, ingrandendo una regione, o tracciando una caratteristica nel tempo — ed è raggiungibile solo tramite l'API e l'interfaccia chat del fornitore. G​emma 4 12B è un checkpoint open-weights denso da 11,95 miliardi di parametri di G​oogle DeepMind, distribuito il 3 giugno 2026 sotto Apache 2.0, che scarichi ed esegui sul tuo hardware e che chiude la stessa questione nel modo opposto: è un artefatto fisso con un programma fisso di campionamento dei fotogrammi, e per quanto lo si guardi non tornerà mai indietro.

Quindi l'inquadramento onesto non è "quale dei due è migliore nella visione". È che uno di questi è una capacità che noleggi e l'altro è un file che possiedi, e la scelta tra loro è decisa da fatti che non hanno nulla a che fare con le righe dei benchmark.

La distinzione che decide davvero

Parti da ciò che ciascuno è fisicamente. G​emma 4 12B è un insieme di pesi. Il checkpoint instruction-tuned su Hugging Face è un singolo file safetensors da 23,92 GB in bfloat16; le build di G​oogle con quantisation-aware training arrivano a circa 6,98 GB per i pesi più un file di proiezione multimodale da 0,18 GB, e una build Q4_K_M della community si attesta intorno ai 7,1 GB. Puoi tenerlo, fare fine-tuning, quantizzarlo ulteriormente, distribuirlo all'interno di un prodotto ed eseguirlo senza rete e senza contatore. Questa è l'intera proposta.

Glimpse è l'opposto come forma di oggetto. Non ci sono pesi. Non c'è un conteggio dei parametri, nessun artefatto scaricabile e nessuna architettura pubblicata oltre all'affermazione che è stato post-addestrato su un "modello di base con pesi aperti" che Elorian non nomina. Ciò che esiste è un'API, un'interfaccia di chat su platform.elorian.ai con registrazione gratuita, e un comportamento pubblicato: lo spazio di lavoro visivo del modello, in cui rivisita e affina le rappresentazioni visive interne mentre il pensiero si sviluppa.

Quell'asimmetria è la prima cosa da mettere in conto, e vale in entrambe le direzioni. Un checkpoint scaricabile non può essere deprecato da un giorno all'altro alle tue spalle, non può cambiare comportamento dietro una stringa di versione, e non può fallire alle 3 di notte perché l'us-east-1 di qualcun altro non è contento. Un'anteprima ospitata con un meccanismo di riavvolgimento non può essere eseguita su una macchina air-gapped, e — il punto che conta di più per un confronto con G​emma 4 12B — non può essere fatta rientrare in 16 GB di memoria, perché non c'è nulla da far rientrare.

Che cosa si guadagna con il rewind, secondo i numeri del fornitore stesso

Gli esempi svolti di Elorian sono la cosa più concreta pubblicata su Glimpse, e vale la pena leggerli come descrizioni più che come punteggi. In una traccia il modello esegue una prima passata a circa 8 fotogrammi al secondo, formula una lettura provvisoria, poi torna indietro e ri-scansiona una finestra di 0,9 secondi a circa 14 fps per decidere se ciò che sta vedendo è una panoramica o uno stacco. In un'altra, segue un singolo bordo della finestra da circa 2,2 secondi dall'inizio di una clip finché il movimento non arriva quasi a fermarsi a 5,13 secondi.

G​emma 4 12B non ha equivalenti. Elabora il video come sequenze di fotogrammi secondo una pianificazione che scegli tu e, una volta selezionati i fotogrammi, qualunque cosa sia caduta tra di essi è persa. Non è un difetto — è ciò che un checkpoint open-weights con un percorso di inferenza pubblicato dovrebbe fare — ma è esattamente il tipo di domanda a cui il rewind esiste per rispondere.

Il punto in cui G​emma 4 12B ha la meglio riguarda tutto ciò che fai con un modello. Sulla scheda ufficiale di G​oogle, che copre l'intera famiglia ed è riportata dal fornitore anziché riprodotta in modo indipendente, il 12B ottiene 77,2% su MMLU Pro, 78,8% su GPQA Diamond, 77,5% su AIME 2026 senza strumenti, 72,0% su LiveCodeBench v6, un ELO Codeforces di 1659, 69,1% su MMMU Pro e 43,4% su MRCR v2 a 128K con otto aghi. Glimpse non pubblica assolutamente nulla in quella famiglia — nessun benchmark di ragionamento, nessun benchmark di programmazione, nessun benchmark di conoscenza. Il confronto non è equilibrato perché il confronto non è mai stato eseguito.

Le schede di valutazione, e quali spazi vuoti sono intenzionali

I due set di prove pubblicati non si intersecano. La tabella di Glimpse è contro GPT-6 Astra ed è riportata dal fornitore, senza alcuna riproduzione indipendente; lo stesso vale per la tabella di G​oogle. Leggerle fianco a fianco è comunque utile, perché mostra su cosa ciascuna azienda ha scelto di essere misurata.

• WGO Bench (eventi di manipolazione) — Glimpse 42.70 vs Astra 39.42. G​emma 4 12B: non riportato.

• CharXiv-R — Glimpse 92,90 vs 92,10. Gemma 4 12B: non riportato.

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

• FSC-147 — Glimpse 83,36 vs 82,02. G​emma 4 12B: non riportato.

• Video-MME v2 — Glimpse 56.68 vs Astra 64.06 e GPT-6.1 Sol 65.27. G​emma 4 12B: non riportato.

• Il sesto senso dell'umanità — Glimpse 46.36 vs Astra 53.6. ​Gemma 4 12B: non riportato.

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

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

• Analisi indipendente — Artificial Analysis assegna a Gemma 4 12B un Intelligence Index di 14, classificandolo al 20° posto su 141 modelli nella sua classe di confronto, con una velocità di output misurata di 110,9 token al secondo. Glimpse non ha alcun tipo di punteggio indipendente; ha un giorno di vita.

La tabella Glimpse riporta anche una nota a piè di pagina che il lettore non dovrebbe saltare: quei risultati utilizzano il massimo sforzo di ragionamento con l'harness ad agenti nativo del modello, e per la maggior parte delle valutazioni video Sol e Opus 5.5 sono stati eseguiti con sforzo alto anziché massimo, con la riga HSS che mescola numeri riportati nei paper da altri laboratori. La stessa disciplina vale dall'altro lato: i numeri della scheda di G​oogle sono pubblicati per i checkpoint instruction-tuned senza alcun harness di terze parti coinvolto.

Quanto costa ciascuno, e in quale unità

È qui che le forme divergono nel modo più netto, perché le unità non si convertono.

Glimpse ha un prezzo per token: $0.60 per milione di token di input e $3.00 per milione di output. Elorian dichiara esso stesso il confronto — 94% in meno rispetto a GPT-6 Astra a $10/$50, 85% in meno rispetto a C​laude Opus 5.5 a $4/$20, 70% in meno rispetto a GPT-6.1 Sol a $2/$10, e 20% in meno rispetto alla tariffa introduttiva di G​emini 3.8 Flash di $0.75/$3.75 — e fornisce un dato a livello di attività, un episodio di pianificazione robotica che costa $0.035 su Glimpse contro $0.249 su Astra. Tutti questi sono i numeri del fornitore sul modello del fornitore.

G​emma 4 12B non ha un prezzo di fornitore perché non esiste un servizio di fornitore. L'unica cifra per token che esiste per esso è quella combinata di Artificial Analysis: 0,10 $ per milione di input e 0,30 $ per milione di output, e si tratta di una mediana tra le piattaforme di terze parti che servono i pesi aperti, non di un prezzo di listino — G​oogle non ne pubblica alcuno. Se lo ospiti autonomamente, il numero che ti interessa davvero non è affatto un tariffario. È un download da 7 GB, un'ora di GPU e l'elettricità.

Tutto il resto consegue da ciò. Una chiamata a Glimpse ha un costo marginale che scala con il volume e un costo fisso pari a zero. Un deployment di G​emma 4 12B ha un costo marginale quasi nullo e un costo fisso che è una macchina. Il punto di pareggio è una questione di volume, e nessun fornitore te lo pubblicherà.

Dove si colloca questo paio nel nostro catalogo

Nessuno dei due modelli è un modello servito da OrcaRouter, e vale la pena essere schietti su questo invece di lasciare che chi legge inferisca il contrario. Glimpse è raggiungibile tramite l'API e l'interfaccia chat proprie di Elorian; G​emma 4 12B è un download, e le route ospitate verso di esso sono piattaforme di terze parti che eseguono i pesi aperti. Le dimensioni di Gemma 4 che instradiamo sono Gemma 4 26B A4B e G​emma 4 31B — i membri più grandi e più capaci della stessa famiglia — e se la tua vera domanda è «quale dimensione di G​emma 4 dovrei chiamare», le nostre pagine modello per quei due risponderanno più rapidamente di quanto farà questa pagina.

Dove un livello di routing si guadagna il suo posto in questo particolare confronto è nel caso intermedio: un team che vuole continuare a eseguire una dimensione di Gemma 4 che già auto-ospita, e vuole provare in anteprima una preview non collaudata accanto ad essa senza scommettere un percorso di produzione su un modello uscito ieri. Tenere entrambi dietro un unico endpoint significa che la preview sta dietro il failover automatico anziché davanti ad esso, e una rate card che cambia — cosa che farà quella di una preview di ricerca — è attiva dalla nostra parte lo stesso giorno anziché al prossimo rinnovo contrattuale. Questa è una dichiarazione su come operiamo, non un'affermazione di ospitare l'una o l'altra di queste due.

Scegliere, dato che non sono sostituti

Se il tuo lavoro è temporale e la tua modalità di fallimento è «il modello ha guardato ma non abbastanza da vicino» — l'identità di un oggetto attraverso un taglio, un evento all'interno di una finestra inferiore al secondo, un conteggio che cambia quando qualcosa lo occlude — Glimpse è il primo modello ospitato il cui meccanismo dichiarato punta direttamente a questo, e l'iscrizione gratuita rende il test economico. Vai e prova il tuo clip con esso. Poi controlla lo spazio di scratch: se il modello non ha mai ri-scansionato l'intervallo che contava, hai imparato qualcosa sulla tua pipeline e non solo sul modello.

Se il tuo lavoro consiste nel mettere un modello multimodale competente su hardware che controlli — un laptop con 16 GB di memoria, per stessa ammissione di Google, o una scheda da 24 GB per la build non quantizzata — Gemma 4 12B è la risposta matura, con licenza e testabile con benchmark, e ha alle spalle quattro mesi di quantizzazioni e strumenti della comunità che un'anteprima di un giorno non ha. Questa maturità non è cosa da poco: è la differenza tra un modello su cui puoi pianificare un trimestre e un modello su cui puoi pianificare una settimana.

La trappola è scegliere Glimpse perché la sua tabella batte Astra su quattro righe e poi scoprire che il compito richiedeva ragionamento, non una riscansione. Il numero HSS del modello stesso è la prova contro questa lettura — 46,36 contro il 53,6 di Astra, su un benchmark che Elorian stessa ha costruito con Scale AI. Pubblicare un risultato che il tuo modello non riesce a superare è un segnale di credibilità, e ti dice anche esattamente ciò che il rewind non corregge.

Niente di tutto ciò è ipotetico: i fallimenti documentati dell'IA e gli incidenti degli agenti alla base di rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.