Glimpse vs LFM2.5 2.6B Base: Uno di questi non può rispondere a una domanda

Glimpse è l'anteprima di ricerca sul ragionamento visivo di Elorian, rilasciata il 16 ottobre 2026, e il suo punto di forza è un comportamento: mentre pensa, può tornare all'immagine o al video, riesaminare un intervallo di 0,9 secondi a una frequenza di fotogrammi più densa, ingrandire una regione o seguire una caratteristica nel tempo, e solo allora rispondere. LFM2.5 2.6B Base è un checkpoint da 2,69 miliardi di parametri che Liquid AI ha pubblicato il 4 agosto 2026 con la licenza LFM Open License v1.0, e non ha alcun instruction tuning — non è mai stato addestrato a rispondere a nulla. Dagli una domanda e continua il testo, in modo plausibile, nel registro di qualunque cosa sia venuta prima. Non è un difetto né un rilascio mancante; è la specifica. Quindi la prima cosa da dire su questo abbinamento è che non è un confronto tra due modelli di qualità diversa. È un confronto tra una capacità che noleggi e una materia prima che addestri, e l'unico fatto che decide tra loro è se il lavoro che hai è una domanda o un dataset.

Tutto quanto segue deriva da ciò, incluso il fatto che solo uno di questi due ha una tabella di benchmark — e non è quello che un lettore immaginerebbe.

Due oggetti, descritti senza il marketing

Glimpse non ha alcun artefatto scaricabile. Elorian non pubblica il numero di parametri, né l'architettura, né la finestra di contesto, né un nome per il modello base open-weights su cui, a suo dire, è stato post-addestrato. Ciò che esiste è un'API e un'interfaccia chat con registrazione gratuita, un prezzo di $0,60 per milione di token di input e $3,00 per milione di token di output, e una serie di tracce elaborate che mostrano il modello che rivisita le prove visive a metà del pensiero. Il suo spazio di lavoro visivo — la superficie in cui riesamina ciò che ha visto — è il prodotto.

LFM2.5 2.6B Base è l'esatto inverso. È un file. Trenta livelli, di cui 22 sono blocchi a convoluzione breve con doppio gate e 8 sono grouped-query attention; all'incirca 34 trilioni di token di addestramento in 16 lingue; una finestra di contesto di 131.072 token; una build quantizzata da circa 1,67 GB. È solo testo, è denso ed è volutamente non valutato, perché valutare un checkpoint base su benchmark di instruction-following misurerebbe l'assenza di fine-tuning anziché la qualità del substrato.

• Cosa ricevi — Glimpse: una chiave API e un endpoint ospitato. LFM2.5 2.6B Base: pesi, un tokenizer e una licenza.

• Modalità — Glimpse: input di immagini e video, con campionamento re-entrante nel tempo. LFM2.5 2.6B Base: testo in input, testo in output.

• Prezzo — Glimpse $0,60 / $3,00 per milione di token, pubblicato dal fornitore. LFM2.5 2.6B Base: nulla per chiamata; l'hardware è a tuo carico.

• Dimensione pubblicata — non divulgata per Glimpse, cosa insolita per un modello ospitato e che costituisce di per sé la divulgazione. 2,69B dense per LFM2.5 2.6B Base, ogni peso visibile nel repository.

• Comportamento predefinito — Glimpse risponde a domande su ciò che ha esaminato. LFM2.5 2.6B Base continua il tuo testo, perché è questo che produce il pre-addestramento.

• Licenza — Glimpse è un'anteprima ospitata secondo i termini di Elorian. LFM Open License v1.0, gratuita al di sotto dei 10 milioni di dollari di fatturato annuo e richiede una licenza separata a partire da tale soglia.

Perché solo uno di questi ha una scorecard

Questa è la parte che si legge al contrario. Il modello senza pesi, senza dimensioni divulgate e senza valutazione indipendente pubblica una tabella di benchmark di dodici righe contro GPT-6 Astra. Il modello con tutti i pesi pubblicati e un'architettura completamente documentata non pubblica nulla.

Entrambi gli spazi vuoti sono razionali e significano cose opposte, quindi vale la pena separarli.

La tabella di Glimpse è riportata dal fornitore e non riprodotta — i numeri di Elorian stessa, contro la sua stessa scelta di rivali, eseguiti al massimo sforzo di pensiero del modello con il suo harness di agenti nativo, con una nota che rivela che diversi concorrenti sono stati eseguiti al di sotto del loro massimo sforzo e che la riga HSS mescola cifre riportate in paper da altri laboratori. Letto come un'affermazione sulla direzione è informativo; letto come un punteggio non è ancora una prova, perché nessuno al di fuori dell'azienda lo ha eseguito. E dove la tabella è più utile è dove è poco lusinghiera: Glimpse ottiene 46,36 su Humanity's Sixth Sense contro il 53,6 di Astra, su un benchmark che Elorian stessa ha costruito con Scale AI. Il rewind compra percezione — conteggio, lettura di grafici, tracciamento di un oggetto attraverso il movimento — e non compra inferenza su ciò che una scena implica.

Lo spazio vuoto di LFM2.5 2.6B Base è diverso per natura. Non c'è nulla da valutare. Un checkpoint base non ha comportamento; ha una distribuzione. Liquid AI valuta invece il fratello post-addestrato della famiglia, che è la decisione ingegneristica corretta e non ti dice esattamente nulla sul fatto che il substrato sarà adatto al tuo compito.

Questa asimmetria ha una conseguenza pratica. Per Glimpse, la domanda di valutazione è "la dichiarazione del fornitore sopravvivrà alla mia clip?". Per LFM2.5 2.6B Base, la domanda di valutazione è "posso addestrarlo fino a farlo diventare qualcosa che funziona?" — e alla seconda domanda si può rispondere oggi, da parte tua, al prezzo di un download. La build da 1,67 GB sta su un laptop; il ciclo di addestramento è il lavoro.

Le unità non si convertono, quindi convertile a mano.

Un prezzo per token e un download gratuito non possono essere confrontati direttamente, ed è qui che la maggior parte dei confronti di questo tipo bara silenziosamente. Il modo onesto è scegliere un’attività e calcolare il prezzo di entrambe le vie.

Prendi un compito ristretto e ad alto volume in cui un piccolo fine-tune è davvero bravo: leggere un tipo di documento fisso e produrre JSON strutturato, elaborare 50 milioni di token al mese, all’incirca metà in input e metà in output. Su Glimpse sono circa 90 $ al mese — 15 $ di input a 0,60 $ per milione, 75 $ di output a 3,00 $ — più il tempo di ingegneria per progettare il prompt e convalidarlo. Su LFM2.5 2.6B Base l’inferenza è gratuita, e il conto si sposta interamente all’inizio: mettere insieme qualche migliaio di esempi etichettati, una singola esecuzione di addestramento sulla tua scheda, un set di valutazione e una nuova esecuzione ogni volta che il formato del documento cambia.

Da quel calcolo emergono due cose che sfuggono facilmente.

Il primo è che il fine-tuning conviene in termini di costi solo al di sopra di una soglia di volume, e la soglia è determinata da quanta ingegneria il tuo team può assorbire, non da qualcosa che Liquid AI pubblica. Un team senza capacità di training non ha alcun punto di pareggio su quel lato del confronto, il che è un fatto reale e spesso decisivo.

Il secondo è che le stesse dichiarazioni sui prezzi di Glimpse sono rivolte a tutt'altro. Elorian presenta $0,60/$3,00 come il 94% in meno rispetto a GPT-6 Astra a $10/$50 e l'85% in meno rispetto a Claude Opus 5.5 a $4/$20. Rispetto ai flagship di frontiera, Glimpse è economico. Rispetto alla fascia dei modelli piccoli — un checkpoint da 2,6B che possiedi, o una corsia ad alto volume come Qwen3.8-Flash di A​libaba a $0,15/$0,47 — è la parte costosa del confronto, e l'articolo accanto a questo su Q​wen 3.8 lo calcola con i listini reali. L'affermazione di sconto di un fornitore è sempre relativa all'insieme di confronto che il fornitore ha scelto.

Come eseguiresti effettivamente il test

Il confronto di cui sopra vale qualcosa solo se è economico da eseguire, e l'ostacolo pratico è che le due parti vivono in sistemi diversi: un endpoint ospitato con una sola chiave, e un ciclo di addestramento che termina in un modello che devi servire da qualche parte. Trasformarlo in un test A/B sul tuo carico di lavoro è dove un livello di routing si guadagna il suo posto, e l'argomentazione è la stessa sia che tu stia confrontando un fine-tune con un'API sia due API tra loro.

OrcaRouter mette un endpoint di testo e ogni modello pubblicato fianco a fianco dietro un'unica chiave — oltre 200 modelli, prezzo di listino del provider passato senza aggiunte per token, una fattura, e failover automatico così che un pomeriggio negativo di un provider non diventi il pomeriggio negativo della tua valutazione. Né Glimpse né LFM2.5 2.6B Base sono in quel catalogo, e nessuna variante di LFM2.5 lo è: Glimpse proviene dall'API e dall'interfaccia chat di Elorian, e il checkpoint Liquid proviene da Liquid AI, entrambi cose che si ottengono direttamente. Ciò che il livello di routing cambia è il gruppo di controllo. Quando la domanda è "il mio fine-tuning è davvero migliore rispetto a chiamare semplicemente qualcosa?", vuoi che quel qualcosa sia un cambio di configurazione piuttosto che un ciclo di approvvigionamento, perché l'esperimento che puoi eseguire questo pomeriggio è l'unico che produce un numero.

Dove il fine-tuning non può arrivare, a qualsiasi dimensione

Questa è la parte del confronto che non si risolve in una questione di costi, ed è il motivo per cui questi due non sono sostituti in nessuna delle due direzioni.

La capacità di Glimpse è temporale e visiva. L'identità degli oggetti attraverso uno stacco, un evento all'interno di una finestra inferiore al secondo, un conteggio che cambia quando qualcosa occlude: un meccanismo di riavvolgimento affronta direttamente questi aspetti, e le tracce mostrano se il modello ha effettivamente ri-scansionato l'intervallo che contava. Nessuna quantità di fine-tuning di un checkpoint text-only da 2,69B produce quel comportamento, perché il substrato non ha input video né un meccanismo per spendere calcolo extra su uno specifico intervallo dopo una prima passata. Non puoi arrivare con l'addestramento a un'architettura che non hai costruito.

Vale altrettanto fermamente il contrario. Un'anteprima ospitata il cui numero di parametri, finestra di contesto e modello di base non sono tutti divulgati non è qualcosa che si possa distribuire all'interno di un prodotto regolamentato, eseguire in modalità air-gapped o di cui si possa garantire la disponibilità. E il tariffario di un'anteprima di ricerca può cambiare in qualsiasi momento, il che va bene per una prova ed è scomodo per un modello di costo.

Quindi il riassunto onesto non è che uno sia migliore. È che un team con un compito testuale e un dataset dovrebbe guardare il checkpoint, un team con una domanda visiva temporale dovrebbe guardare l'anteprima, e un team che non ha nessuno dei due non ha ancora motivo di confrontarli.

Tre condizioni, e ciò che ciascuna implica

Se il tuo compito è ristretto, solo testo e hai — o puoi acquistare — qualche migliaio di esempi etichettati, LFM2.5 2.6B Base è l'oggetto di maggior valore, perché finisci per possedere l'artefatto e pagare elettricità invece di token. Scarica prima la build da 1,67 GB e conferma che la cosa funzioni sul tuo hardware prima di pianificare qualsiasi cosa attorno ad essa. Quel passaggio costa un pomeriggio.

Se la tua modalità di errore è temporale — il modello ha guardato ma non abbastanza da vicino — Glimpse è il primo modello ospitato il cui meccanismo dichiarato punta direttamente a questo, e l'iscrizione gratuita rende il test economico. Esegui la tua clip, poi leggi lo spazio di lavoro: se non ha mai riesaminato l'intervallo che ha determinato la risposta, hai imparato qualcosa sulla tua pipeline e non solo sul modello.

Se non sai ancora quale dei due sei, l'ordine delle operazioni è stabilito: esegui prima il modello ospitato, perché risponde in un pomeriggio a ciò a cui un progetto di fine-tuning risponde in un mese. Il substrato resta disponibile. Sarà ancora un download da 1,67 GB il trimestre prossimo, e l'unica cosa che avrai speso è il tempo che altrimenti avresti speso ad assemblare un dataset per un compito che una chiamata API avrebbe potuto coprire.

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.