Glimpse vs LFM2.5 2.6B Base：このうち一方は質問に答えられない

Glimpseは、2026年10月16日に公開されたElorianの視覚推論研究プレビューであり、その売りはある振る舞いにある。思考している間、画像や動画へ戻って0.9秒の区間をより高密度なフレームレートで再走査したり、ある領域にズームインしたり、1つの特徴を時間軸に沿って追跡したりして、それからようやく答えるのだ。LFM2.5 2.6B Baseは、Liquid AIが2026年8月4日にLFM Open License v1.0の下で公開した26.9億パラメータのチェックポイントで、指示チューニングは一切施されていない——何かに答えるよう訓練されたことは一度もない。質問を渡せば、それまでの文脈の文体でもっともらしくテキストを続ける。それは欠陥でも未リリースでもなく、仕様なのだ。したがって、この組み合わせについてまず言うべきことは、質の異なる2つのモデルの対決ではないということだ。それは、借りて使う能力と、訓練して作る原材料との対決であり、両者を分ける唯一の事実は、あなたの手元にある仕事が問いなのかデータセットなのかということだ。

以下はすべてそこから導かれる。この二つのうち片方だけがベンチマーク表を持っているという事実も含めて——そしてそれは、読者が推測する方ではない。

マーケティング抜きで描写された2つの物体

Glimpseにはダウンロード可能な成果物が存在しない。Elorianは、パラメータ数も、アーキテクチャも、コンテキストウィンドウも、ポストトレーニングを行ったとされるオープンウェイトのベースモデルの名前も公表していない。存在するのは、無料登録ができるAPIとチャットインターフェース、入力トークン100万あたり0.60ドル、出力トークン100万あたり3.00ドルという価格、そしてモデルが思考の途中で視覚的証拠を再検討することを示す一連の実例トレースだ。その視覚的スクラッチスペース——見たものを再検討する場——こそが製品である。

LFM2.5 2.6B Baseは、まさに正反対である。それはひとつのファイルだ。30層からなり、そのうち22層がデュアルゲート付きショート畳み込みブロック、8層がグループ化クエリ・アテンションである；16言語にわたる約34兆の学習トークン；131,072トークンのコンテキストウィンドウ；約1.67 GBの量子化ビルド。テキスト専用で、密であり、意図的にスコア評価されていない。ベースチェックポイントを指示追従ベンチマークで採点すると、基盤の品質ではなく、ファインチューニングの欠如を測ることになるからだ。

• 受け取るもの — Glimpse: APIキーとホストされたエンドポイント。LFM2.5 2.6B Base: 重み、トークナイザー、ライセンス。

• モダリティ — Glimpse：画像と動画を入力とし、時間方向に再入的なサンプリングを行う。LFM2.5 2.6B Base：テキスト入力、テキスト出力。

• 価格 — Glimpse は100万トークンあたり $0.60 / $3.00（ベンダー公表値）。LFM2.5 2.6B Base：呼び出しごとの費用なし、ハードウェアはご自身で用意します。

• 公開サイズ — Glimpseについては非公開。これはホスト型モデルとしては異例であり、それ自体が開示の内容となっている。LFM2.5 2.6B Baseは2.69Bのdenseで、すべての重みがリポジトリで確認できる。

• そのまま使ったときの挙動 — Glimpseは、自分が見たものについての質問に答えます。LFM2.5 2.6B Baseはあなたのテキストを続けます。それが事前学習の生み出すものだからです。

• ライセンス — GlimpseはElorianの規約に基づくホスト型プレビューです。LFM Open License v1.0に基づき、年間売上1,000万ドル未満は無償、それ以上は別途ライセンスが必要です。

なぜこれらの中で1つだけがスコアカードを持っているのですか

ここが逆に読める部分だ。重みが一切公開されておらず、サイズも明かされておらず、独立した評価もないモデルが、GPT-6 Astra に対する12行のベンチマーク表を公開する。すべての重みを公開し、アーキテクチャを完全に文書化しているモデルは、何も公開しない。

どちらの空欄も合理的であり、しかも逆の意味を持っているので、両者を区別する価値がある。

Glimpseの表はベンダーによる報告であり、再現されていない——Elorian自身の数値で、競合相手も自社が選んだものを使い、モデルの最高思考エフォートで、そのネイティブのエージェントハーネスを用いて実行されたものであり、脚注には、複数の競合が最大エフォート未満で実行されたこと、HSS行には他ラボの論文報告値が混在していることが開示されている。方向性についての主張として読めば有益だが、スコアとして読むならまだ証拠ではない。なぜなら社外の誰もそれを実行していないからだ。そして、この表が最も有用なのは、それが自社にとって不都合な箇所だ。Glimpseは、Elorian自身がScale AIと構築したベンチマークであるHumanity's Sixth Senseで、Astraの53.6に対して46.36を記録する。リワインドが得るのは知覚——数え上げ、チャート読解、動きの中での物体追跡——であり、場面が何を意味するかについての推論は得ない。

LFM2.5 2.6B Baseの空欄は種類が異なる。採点するものがない。ベースチェックポイントには振る舞いがなく、あるのは分布だ。Liquid AIは代わりにファミリー内の事後学習済みの兄弟モデルをベンチマークしている。これは正しいエンジニアリング上の判断であり、その基盤があなたのタスクに適するかどうかについては正確にゼロしか教えてくれない。

その非対称性には実用的な帰結がある。Glimpse の場合、評価の問いは「ベンダーの主張は自分のクリップで生き残るか」だ。LFM2.5 2.6B Base の場合、評価の問いは「これを訓練して使えるものにできるか」であり、そして2つ目の問いは今日、あなた自身が、ダウンロードの対価で答えを出せる。1.67 GB のビルドはノートPCに収まる。作業となるのは訓練ループだ。

単位が変換されないので、手動で変換してください。

トークンあたりの価格と無料ダウンロードは、そのままでは比べられない。この手の比較のほとんどは、まさにそこで密かにずるをしている。誠実なやり方は、タスクを一つ選び、両方のルートに値段をつけることだ。

小規模なファインチューニングが本当に得意とする、狭くて大量処理の仕事を取り上げよう。固定された文書タイプを読み取り、構造化JSONを出力する。月に5,000万トークンを処理し、およそ半分が入力で半分が出力だ。Glimpseでは月およそ90ドル — 入力が100万トークンあたり0.60ドルで15ドル、出力が3.00ドルで75ドル — に加えて、プロンプトを作成して検証するエンジニアリング時間がかかる。LFM2.5 2.6B Baseでは推論は無料で、請求は完全に前倒しになる。数千件のラベル付き例を集め、自分のカードで1回トレーニングを回し、評価セットを用意し、文書フォーマットが変わるたびに再実行する。

その計算から、見落としやすい2つのことが導き出される。

第一に、ファインチューニングがコスト面で優位に立つのは、ある利用量のしきい値を超えた場合に限られ、そのしきい値は、Liquid AI が公表する何かによってではなく、あなたのチームがどれだけのエンジニアリングを吸収できるかによって決まる。トレーニング能力のないチームには、その比較の側では損益分岐点がまったく存在せず、これは現実的で、しばしば決定的な事実である。

第二の点は、Glimpse自身の価格主張がまったく別のところを狙っているということだ。Elorianは$0.60/$3.00を、GPT-6 Astraの$10/$50より94%安く、Claude Opus 5.5の$4/$20より85%安いと位置づけている。フロンティアの旗艦モデルと比べれば、Glimpseは安い。だが小型モデル側——自分が所有する2.6Bのチェックポイントや、AlibabaのQwen3.8-Flash $0.15/$0.47のような大量処理レーン——と比べると、比較の高価な側であり、本記事の隣にあるQwen 3.8の記事が、実際の料金表を使ってそれを明らかにしている。ベンダーの割引主張は、常にそのベンダーが選んだ比較対象に対してのものだ。

実際にどのようにテストを実行するか

上記の比較は、実行コストが安くなければ何の価値もない。実用上の障害は、両者が異なるシステムに存在することにある。片方は1つのキーで使うホスト型エンドポイントで、もう片方はどこかで提供しなければならないモデルに行き着くトレーニングループだ。それを自分のワークロードでA/Bテストにすることが、ルーティングレイヤーがその存在価値を発揮する場面であり、ファインチューニングとAPIを比較する場合でも、2つのAPI同士を比較する場合でも、議論は同じだ。

OrcaRouterは、テキストエンドポイントと公開されているすべてのモデルを1つのキーの背後に並べて提供します — 200以上のモデル、プロバイダーの定価をそのまま、トークンごとに何も上乗せせずに、請求は1つ、そして自動フェイルオーバーにより、あるプロバイダーの不調な午後があなたの評価の不調な午後にならないようにします。GlimpseもLFM2.5 2.6B Baseもそのカタログにはなく、LFM2.5のどのバリアントもありません。GlimpseはElorian自身のAPIとチャットインターフェースから提供され、LiquidのチェックポイントはLiquid AIから提供され、どちらも直接入手するものです。ルーティングレイヤーが変えるのは対照群です。「自分のファインチューニングは、ただ何かを呼び出すより本当に優れているのか」という問いに対しては、その「何か」が調達サイクルではなく設定変更であってほしいのです。なぜなら、今日の午後に実行できる実験だけが数字を生み出すからです。

どんな規模でも、ファインチューニングでは到達できない領域

これが比較のうちコストの問題に還元されない部分であり、だからこそこの二つはどちらの方向にも代替品にはならないのである。

Glimpseの能力は時間的かつ視覚的だ。カットをまたいだオブジェクトの同一性、1秒未満のウィンドウ内で起きる出来事、何かが遮ったときに変わるカウント——巻き戻し機構はそれらに直接対処し、トレースはモデルが本当に重要だった区間を再スキャンしたかどうかを示す。2.69Bのテキスト専用チェックポイントをどれだけファインチューニングしても、その振る舞いは生まれない。なぜなら、その基盤には動画入力がなく、最初のパス後に特定の区間へ追加の計算を費やす仕組みもないからだ。自分が作っていないアーキテクチャに、訓練で入り込むことはできない。

逆もまた同じくらい確かに当てはまる。パラメータ数、コンテキストウィンドウ、ベースモデルのすべてが非公開のホスト型プレビューは、規制対象の製品に組み込んで出荷したり、エアギャップ環境で動かしたり、可用性を保証したりできるものではない。そして研究用プレビューの料金表はいつでも変わりうる。試用には都合がよくても、コストモデルとしては厄介だ。

正直にまとめると、どちらか一方が優れているという話ではない。テキストタスクとデータセットを持つチームはチェックポイントを見るべきであり、時間的な視覚的問いを持つチームはプレビューを見るべきであり、どちらも持たないチームは、まだ両者を比較する理由がない、ということだ。

3つの条件と、それぞれが意味するもの

タスクが狭く、テキスト専用で、ラベル付きの例が数千件ある——あるいは購入できる——なら、LFM2.5 2.6B Base はより価値のある対象です。なぜなら、最終的に成果物を所有し、トークンではなく電気代を支払うことになるからです。まず 1.67 GB のビルドをダウンロードし、それを前提に何かを計画する前に、それが自分のハードウェアで動くことを確認してください。その手順には半日かかります。

失敗モードが時間的なもの——モデルは見たものの、十分に注意深くは見なかった——であるなら、Glimpse は、その点を直接狙うと明言されたメカニズムを持つ最初のホスト型モデルであり、無料サインアップによってテストは安く済む。自分のクリップを実行し、その後スクラッチスペースを読んでみよ。もし答えを決定づけた区間を一度も再スキャンしていなかったなら、あなたはモデルだけでなく自分のパイプラインについても何かを学んだことになる。

もしあなたがその2つのうちどちらなのかまだ分かっていないなら、作業の順序は決まっている。まずホステッドモデルを実行するのだ。ファインチューニングプロジェクトが1か月かけて出す答えを、それは午後には出してくれるからだ。その基盤は利用可能なまま残る。来四半期になっても、それは依然として1.67 GBのダウンロードだろうし、あなたが費やすことになる唯一のものは、API呼び出しで済んだかもしれないタスクのためにデータセットを組み立てるのに、そうでなければ使っていたはずの時間だけだ。

そうした話は決して仮定ではない。このようなリリースの背景にある、記録に残されたAIの障害やエージェントのインシデントはOrcaRouter AIインシデントアーカイブに集められており、各項目には独自の情報源、深刻度、信頼度グレード、係争中フラグが付されています。