Glimpse vs Gemma 4 12B: 다운로드에 맞서는 되감기 메커니즘

이 둘이 서로 비교되는 이유는 대부분 둘 다 비전 모델이라고 설명되기 때문인데, 그 설명은 거의 아무런 역할도 하지 못한다. Glimpse는 2026년 10월 16일 Elorian이 출시한 호스팅형 연구 프리뷰로, 그 정의적인 동작은 되돌아가 다시 보는 것 — 즉 클립의 일부를 더 촘촘한 프레임 레이트로 다시 스캔하거나, 한 영역을 확대하거나, 시간에 걸쳐 하나의 특징을 추적하는 것 — 이며, 공급업체의 API와 채팅 인터페이스를 통해서만 접근할 수 있다. G​emma 4 12B는 2026년 6월 3일 Apache 2.0으로 배포된 G​oogle DeepMind의 119억 5천만 개 파라미터 덴스(dense) 오픈 웨이트 체크포인트로, 직접 하드웨어에 내려받아 실행하는 것이며, 같은 질문을 정반대 방식으로 닫는다: 그것은 고정된 프레임 샘플링 일정을 가진 고정된 결과물이고, 아무리 들여다봐도 되감기지는 않는다.

따라서 솔직한 구도는 '비전에서 어느 쪽이 더 나은가'가 아니다. 그것은 이들 중 하나는 당신이 빌리는 기능이고 다른 하나는 당신이 소유하는 파일이라는 것이며, 둘 사이의 선택은 벤치마크 행과 아무 관련이 없는 사실들에 의해 결정된다.

실제로 판가름하는 차이

각각이 물리적으로 무엇인지부터 시작하겠습니다. Gemma 4 12B는 가중치 집합입니다. Hugging Face의 인스트럭션 튜닝 체크포인트는 bfloat16의 단일 23.92GB safetensors 파일입니다. Google 자체의 양자화 인식 학습 빌드는 가중치가 약 6.98GB이고, 여기에 0.18GB 멀티모달 프로젝션 파일이 더해지며, 커뮤니티 Q4_K_M 빌드는 약 7.1GB에 이릅니다. 이걸 보유하고, 미세 조정하고, 더 양자화하고, 제품 안에 넣어 출시하고, 네트워크 연결이나 사용량 계량 없이 실행할 수 있습니다. 그것이 이 제안의 전부입니다.

Glimpse는 정반대 형태의 객체다. 가중치는 없다. 매개변수 수, 다운로드 가능한 산출물, 그리고 Elorian이 이름을 밝히지 않은 "오픈 웨이트 기반 모델"에서 사후 학습되었다는 설명 외에는 공개된 아키텍처도 없다. 존재하는 것은 API, 무료 가입이 가능한 platform.elorian.ai의 채팅 인터페이스, 그리고 공개된 동작 하나다: 생각이 전개됨에 따라 내부 시각적 표상을 다시 살펴보고 정교화하는 모델의 시각적 스크래치 공간.

그 비대칭성은 가장 먼저 가격에 반영해야 할 요소이며, 양방향으로 작용한다. 다운로드 가능한 체크포인트는 당신 발밑에서 사용 중단될 수 없고, 버전 문자열 뒤에서 동작을 바꿀 수 없으며, 다른 누군가의 us-east-1이 불만족스럽다는 이유로 새벽 3시에 실패할 수도 없다. 되감기 메커니즘이 있는 호스팅 미리보기는 에어갭 머신에서 실행할 수 없고 — G​emma 4 12B 비교에서 가장 중요한 점인데 — 16GB 메모리에 맞출 수 없다. 왜냐하면 맞출 것이 없기 때문이다.

리와인드가 무엇을 얻어내는지, 벤더 자체 수치로

Elorian의 풀이 예시들은 Glimpse에 관해 공개된 것 중 가장 구체적인 자료이며, 점수로서보다 설명으로서 읽을 가치가 있다. 한 트레이스에서 모델은 약 초당 8프레임으로 첫 번째 패스를 수행하고 잠정적인 판독을 형성한 뒤, 되돌아가 약 14fps로 0.9초 윈도우를 다시 스캔하여 보고 있는 장면이 팬인지 컷인지 판단한다. 또 다른 트레이스에서는 클립의 약 2.2초 지점부터 5.13초에 움직임이 거의 멈출 때까지 하나의 창 가장자리를 따라간다.

Gemma 4 12B에는 이에 상응하는 것이 없습니다. 이 모델은 사용자가 선택한 일정에 따라 비디오를 프레임 시퀀스로 처리하며, 일단 프레임이 선택되고 나면 그 사이에 있던 것은 무엇이든 사라집니다. 이는 결함이 아닙니다 — 공개된 추론 경로를 갖춘 오픈 웨이트 체크포인트가 마땅히 해야 할 일입니다 — 다만 되감기가 답하기 위해 존재하는 바로 그 부류의 질문입니다.

Gemma 4 12B가 앞서 나가는 지점은 여러분이 모델로 하는 모든 작업입니다. 제품군 전체를 다루며 독립적으로 재현된 것이 아니라 벤더가 보고한 Google 자체 카드에서 12B는 MMLU Pro 77.2%, GPQA Diamond 78.8%, 도구 없이 AIME 2026 77.5%, LiveCodeBench v6 72.0%, Codeforces ELO 1659, MMMU Pro 69.1%, 그리고 8개의 needle이 있는 128K에서 MRCR v2 43.4%를 기록합니다. Glimpse는 그 제품군에서 아무것도 공개하지 않습니다 — 추론 벤치마크도, 코딩 벤치마크도, 지식 벤치마크도 없습니다. 비교는 접전이 아닙니다. 비교가 실행된 적이 없기 때문입니다.

스코어카드, 그리고 어떤 빈칸이 의도적인지

공개된 두 증거 세트는 서로 겹치지 않는다. Glimpse의 표는 GPT-6 Astra를 상대로 한 것이며, 독립적인 재현 없이 벤더가 보고한 자료다. G​oogle의 표도 마찬가지다. 그래도 두 표를 나란히 놓고 읽는 것은 여전히 유용한데, 각 회사가 무엇에 대해 측정받기를 선택했는지를 보여주기 때문이다.

• WGO Bench (조작 이벤트) — Glimpse 42.70 대 Astra 39.42. Gemma 4 12B: 보고되지 않음.

• CharXiv-R — Glimpse 92.90 vs 92.10. G​emma 4 12B: 보고되지 않음.

• UGC-VideoCap — Glimpse 82.66 대 80.32. G​emma 4 12B: 보고되지 않음.

• FSC-147 — Glimpse 83.36 대 82.02. G​emma 4 12B: 보고되지 않음.

• Video-MME v2 — Glimpse 56.68 대 Astra 64.06, GPT-6.1 Sol 65.27. G​emma 4 12B: 보고되지 않음.

• 인류의 제6감 — Glimpse 46.36 vs Astra 53.6. Gemma 4 12B: 보고되지 않음.

• MMLU Pro — G​emma 4 12B 77.2%. Glimpse: 보고되지 않음.

• LiveCodeBench v6 — G​emma 4 12B 72.0%. Glimpse: 보고되지 않음.

• 독립적 평가 — Artificial Analysis는 G​emma 4 12B에 지능 지수(Intelligence Index) 14점을 부여했으며, 비교 등급 내 141개 모델 중 20위이고, 측정된 출력 속도는 초당 110.9토큰입니다. Glimpse는 어떤 종류의 독립적 점수도 없습니다. 출시된 지 하루밖에 되지 않았기 때문입니다.

Glimpse 표에는 독자가 그냥 넘겨서는 안 되는 각주도 함께 실려 있습니다. 해당 결과는 모델의 네이티브 에이전트 하네스를 사용한 최고 수준의 사고 노력으로 얻은 것이며, 대부분의 비디오 평가에서 Sol과 Opus 5.5는 max가 아닌 high 노력으로 실행되었고, HSS 행에는 다른 연구소가 논문에서 보고한 수치가 섞여 있습니다. 같은 원칙은 반대편에도 적용됩니다 — G​oogle의 카드 수치는 제3자 하네스가 개입되지 않은 상태에서 명령어 튜닝된 체크포인트를 위해 공개된 것입니다.

각 항목의 비용은 얼마이며, 단위는 무엇인지

바로 이 지점에서 형태들이 가장 극명하게 갈라집니다. 단위가 변환되지 않기 때문입니다.

Glimpse는 토큰당 가격이 책정됩니다: 입력 토큰 100만 개당 $0.60, 출력 토큰 100만 개당 $3.00입니다. Elorian은 비교 자체를 제시합니다 — 가격이 $10/$50인 GPT-6 Astra보다 94% 저렴하고, $4/$20인 Claude Opus 5.5보다 85% 저렴하며, $2/$10인 GPT-6.1 Sol보다 70% 저렴하고, Gemini 3.8 Flash의 $0.75/$3.75 도입 요금보다 20% 저렴합니다 — 그리고 작업 수준의 수치 하나를 제시합니다: 로봇 계획 에피소드 하나는 Glimpse에서 $0.035, Astra에서 $0.249의 비용이 듭니다. 이 모든 것은 벤더가 자사 모델에 관해 제시한 숫자입니다.

Gemma 4 12B에는 공급업체 서비스가 없기 때문에 공급업체 가격이 없습니다. 이에 대해 존재하는 유일한 토큰당 수치는 Artificial Analysis의 백만 입력 토큰당 $0.10, 백만 출력 토큰당 $0.30의 혼합 수치이며, 이는 오픈 웨이트를 서빙하는 서드파티 플랫폼 전반의 중앙값일 뿐 정가가 아닙니다 — Google은 정가를 공개하지 않습니다. 직접 호스팅한다면, 실제로 신경 쓰는 숫자는 요금표가 전혀 아닙니다. 그것은 7 GB 다운로드, GPU 1시간, 그리고 전기요금입니다.

나머지 모든 것은 그로부터 따라옵니다. Glimpse 호출에는 볼륨에 따라 확장되는 한계 비용과 0의 고정 비용이 있습니다. G​emma 4 12B 배포에는 거의 0에 가까운 한계 비용과 기계 한 대라는 고정 비용이 있습니다. 손익분기점은 볼륨의 문제이며, 어떤 벤더도 이를 여러분을 위해 공개하지 않을 것입니다.

우리 자체 카탈로그에서 이 한 켤레가 차지하는 위치

두 모델 모두 OrcaRouter가 서비스하는 모델이 아니며, 독자가 아닌 것으로 짐작하게 두기보다는 이를 분명히 말하는 편이 낫습니다. Glimpse는 Elorian 자체 API와 채팅 인터페이스를 통해 접근할 수 있고, G​emma 4 12B는 다운로드이며, 이에 대한 호스팅 경로는 오픈 웨이트를 구동하는 제3자 플랫폼입니다. 저희가 실제로 라우팅하는 G​emma 4 크기는 G​emma 4 26B A4B 및 G​emma 4 31B — 같은 제품군에서 더 크고 더 뛰어난 구성원입니다 — 그리고 실제 질문이 "어떤 G​emma 4 크기를 호출해야 하나요"라면, 그 두 모델에 대한 저희 자체 모델 페이지가 이 페이지보다 더 빠르게 답을 줄 것입니다.

이 특정 비교에서 라우팅 계층이 제 자리를 차지하는 지점은 중간 사례입니다. 이미 자체 호스팅하고 있는 Gemma 4 규모를 계속 운영하면서, 어제 막 출시된 모델에 프로덕션 경로를 걸지 않고도 검증되지 않은 프리뷰를 나란히 시험해 보려는 팀 말입니다. 둘 모두를 하나의 엔드포인트 뒤에 두기란 프리뷰가 자동 페일오버 앞이 아니라 그 뒤에 놓인다는 뜻이며, 수시로 바뀌는 요금표— 연구 프리뷰의 요금표라면 당연히 그렇겠지만 — 는 다음 계약 갱신 때가 아니라 같은 날 우리 쪽에서 바로 반영됩니다. 이는 우리가 운영하는 방식에 대한 설명이지, 이 둘 중 어느 하나를 호스팅하겠다는 주장이 아닙니다.

그것들이 대체재가 아니라는 점을 고려할 때, 선택하기

당신의 작업이 시간적이고 당신의 실패 모드가 “모델이 보긴 했지만 충분히 자세히 보지 않았다” — 컷을 가로지르는 객체의 정체성, 1초 미만 창 안의 이벤트, 무언가가 가릴 때 달라지는 개수 — 라면, Glimpse는 바로 그 점을 직접 겨냥한다고 명시한 메커니즘을 가진 최초의 호스팅 모델이며, 무료 가입 덕분에 테스트 비용이 저렴해집니다. 가서 자신의 클립을 직접 넣어 실행해 보세요. 그런 다음 스크래치 공간을 확인하세요: 모델이 중요했던 구간을 한 번도 다시 스캔하지 않았다면, 당신은 모델에 대해서만이 아니라 당신의 파이프라인에 대해서도 무언가를 배운 것입니다.

여러분의 작업이 직접 통제하는 하드웨어 — Google 자체 주장에 따르면 메모리 16 GB 노트북, 또는 양자화되지 않은 빌드를 위한 24 GB 카드 — 에 유능한 멀티모달 모델을 올리는 것이라면, Gemma 4 12B는 성숙하고 라이선스가 확보된, 벤치마크 가능한 해답이며, 그 뒤에는 나온 지 하루밖에 안 된 프리뷰에는 없는 4개월치 커뮤니티 양자화와 툴링이 있습니다. 그 성숙함은 작은 일이 아닙니다. 그것은 분기 단위로 계획을 세울 수 있는 모델과 일주일 단위로 계획을 세울 수 있는 모델의 차이입니다.

함정은 Glimpse의 표가 네 개 행에서 Astra를 앞선다는 이유로 Glimpse를 고르고 나서, 그 작업에 필요한 것은 다시 훑어보기가 아니라 추론이었다는 사실을 깨닫는 데 있다. 그런 해석에 반대되는 증거는 모델 자체의 HSS 수치다 — Elorian이 Scale AI와 함께 직접 만든 벤치마크에서 46.36으로, Astra의 53.6에 못 미친다. 자기 모델이 1위를 차지하지 못한 결과를 공개하는 것은 신뢰도 신호이며, 또한 리와인드가 바로잡지 못하는 것이 정확히 무엇인지도 알려준다.

그중 어느 것도 가정이 아닙니다: 이번과 같은 릴리스의 배경이 된 문서화된 AI 실패와 에이전트 사고는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 분쟁 플래그가 함께 제공됩니다.