Glimpse vs Intern Decision 4B: 이 둘 중 실제로 당신의 질문에 답하는 쪽은 어느 것일까?

이 비교에 등장하는 두 모델은 모달리티 하나를 공유할 뿐, 그 외에는 거의 아무것도 공유하지 않는다. E​lorian G​limpse는 2026년 10월 16일 공개된 시각 추론 프리뷰로, 이미 본 영상 속 한 구간으로 되돌아갈 수 있다 — 공개된 트레이스에서는 약 8fps로 한 차례 훑은 뒤 0.9초 분량을 약 14fps로 다시 스캔했다 — 그리고 나서 답변을 산문으로 작성한다. Intern-Decision-4B는 2026년 9월 26일 Shanghai AI Laboratory의 I​nternLM 팀이 아무런 발표도 없이 업로드했으며, 아무것도 작성하지 않는다. 이 모델은 공유 상태, 이름이 붙은 질문들의 스키마, 선택적으로 일부 이미지를 받아, 단일 순전파에서 그 이름이 붙은 답변들에 대한 보정된 확률 분포를 반환한다. generate()를 절대 호출하지 않는다. 사고 연쇄도, 문장도, 그 어떤 토큰 단위 출력도 없다.

이는 이 비교에서 첫 번째 질문이 어느 모델이 더 나은가가 아니라는 뜻입니다. 그것은 여러분의 문제가 읽기 문제인지 결정 문제인지입니다. 그리고 대부분의 팀은 읽기가 유일하게 사용할 수 있는 도구였기 때문에 자신들이 결정 문제를 읽기 문제로 다뤄 왔다는 것을 깨닫습니다.

문단 대신 숫자를 반환하는 모델

Intern-Decision 패밀리는 2026년 9월 26일 아침 조용히 도착했다 — 0.8B, 2B, 4B 세 가지 크기가 서로 40초 이내에 업로드되었는데, 이는 릴리스 프로세스라기보다 스크립트의 특징이다. 블로그 글도, 모델 카드 에세이도, 출시 스레드도 없었다. 작성 시점에 데모 Space는 401을 반환했고, 컬렉션도 401을 반환했으며, GitHub 조직은 404를 반환했고, 패밀리 중 가장 큰 모델은 다운로드 0회와 좋아요 1개를 기록했다. 아래의 모든 내용은 벤더가 무엇을 하는지 알려주는 설명이 아니라, 공개된 구성과 저장소에서 읽어낸 것이다.

설정에 적힌 내용은 구체적이다. Intern-Decision-4B는 Q​wen 3.5 4B를 45억 4천만 개 매개변수로 파인튜닝한 모델이며, 그 인터페이스는 채팅 완성이 아니라 결정 엔진이다. 여기에 공유 상태—모든 질문이 공유하는 맥락—와 일련의 질문을 지정하는 스키마, 그리고 최대 8개의 이미지를 건넨다. 그러면 고정된 단일 토큰 기호 어휘에 대한 분포를 반환한다: A부터 Z까지, a부터 z까지, 0부터 9까지. 62개 기호이며, 이는 선택지 상한이 62개인 바로 그 이유다. 인간이 답을 몇 개나 원하는지 생각해서 누군가 도출한 설계상의 선택이 아니다. 세 가지 질문 유형을 지원한다: 이름 붙은 선택지 중 하나를 고르는 유형, 척도상 점수, 예/아니오 형태의 결정.

그것이 제품의 전부입니다. 그 가치는 추상적인 정확성에 있지 않습니다. 가치는, 출력이 임계값을 적용하고 나중에 감사할 수 있는 확률이라는 점, 즉 단일 순방향 패스에서 결정론적으로 생성되는 확률이라는 점입니다. 그것은 어조로부터 신뢰도를 추론해야 하는 문단이 아닙니다.

인터페이스가 진정한 차이점이다

• 입력으로 들어가는 것 — Glimpse는 동영상과 이미지, 그리고 자연어로 된 질문을 입력받습니다. Intern-Decision-4B는 공유 상태, 명시적으로 이름이 지정된 질문들의 스키마, 그리고 최대 8장의 이미지를 입력받습니다.

• 출력물 — Glimpse는 산문과 함께 클립에서 어디를 살펴보았는지에 대한 추적을 반환합니다. Intern-Decision-4B는 최대 62개 심볼에 대한 분포를 반환하는데, 이는 옵션당 하나의 숫자일 뿐 그 외에는 아무것도 아닙니다.

• 출력 비용 — 토큰 스트림에 대한 단일 순방향 패스입니다. Glimpse는 출력 토큰 백만 개당 3.00달러를 청구하며, 그 메커니즘은 의도적으로 추가 토큰을 다시 살펴보는 데 소비하므로 트레이스가 곧 영수증입니다. Intern-Decision-4B는 요청당 고정된 소수의 로짓을 생성하므로, 출력 비용이 질문의 난이도에 비례하기보다 거의 일정하게 유지됩니다.

• 크기 — 45억 4천만 개의 파라미터, 공개 및 다운로드 가능. Glimpse의 경우 비공개로, 자체 벤치마크 표에 나온 프런티어 모델보다 "훨씬 작고 저렴하다"고만 밝히고 있다.

• 가중치 — Intern-Decision 패밀리의 모든 구성원에게 공개됩니다. Elorian의 API와 채팅 인터페이스 뒤에만 존재하는 Glimpse에는 제공되지 않습니다.

• 독립성 — 여기서 둘은 동등하며, 똑같이 취약하다. Glimpse의 벤치마크 수치는 Elorian 자체의 것으로, 재현된 바 없으며, 경쟁 모델들이 그들보다 낮은 수준에서 평가된 것과 달리 최고 수준의 사고 노력으로 실행되었다. Intern-Decision-4B는 이 기사가 찾을 수 있는 어떤 종류의 공개된 평가도 없다; 그 구성에 담긴 숫자들은 정확도가 아니라 어텐션 지오메트리다.

토크나이저 속에 숨어 있는 한계

다음은 주어진 작업에 Intern-Decision-4B를 사용할 수 있는지를 결정하는 숫자이며, 이는 어떤 헤드라인에도 없습니다.

기반이 되는 Qwen 3.5 4B 타워는 최대 위치 임베딩을 262,144 토큰으로 선언합니다. 이를 감싼 의사 결정 엔진은 max_length=8192로 구성되며, 그보다 큰 입력은 잘라내지 않고 곧바로 거부합니다. 그 자체만으로는 정당화할 수 있는 엔지니어링 선택입니다 — 조용한 잘림은 긴 컨텍스트를 아무 오류 없이 잘못된 답변으로 만들어 버립니다. 하지만 여덟 장의 이미지도 같은 8,192 예산에 포함됩니다. 모델에 스크린샷 세트와 사례를 설명하는 공유 상태를 넘겨주는 워크플로에서는 실질적인 상한이 262,144가 시사하는 것보다 훨씬 빨리 찾아오며, 실패는 품질이 저하된 답변이 아니라 완전한 거부로 나타납니다.

Intern-Decision-4B를 문서 검토에 사용하려는 사람은 누구든, 그 주위에 설계하기 전에 그 경계를 테스트해야 한다. 이 글을 작성할 당시 데모 Space, 컬렉션, 리포지토리는 모두 접근할 수 없었으므로, 실제 한계를 확인하는 유일한 방법은 입력을 구성하고 엔진이 어디에서 그 입력을 거부하는지 지켜보는 것이다.

Glimpse는 같은 지점에서 거울상 문제를 안고 있다. 이 모델의 컨텍스트 윈도우는 한 번도 공개된 적이 없으며, 이 모델의 대표 기능은 비디오를 읽는 것이다. 0.9초짜리 구간은 어떤 윈도우에도 들어간다. 2시간짜리 클립은 들어가지 않으며, 그 경계가 어디인지 알려주는 공개된 수치는 없다. 두 경우 모두 추론 능력은 설명되지만, 그것이 담겨야 하는 그릇은 추측에 맡겨진 부분이다 — 설계의 일치가 아니라 누락이 겹친 우연이다.

각각이 진정으로 더 뛰어난 점

Glimpse를 지지하는 구체적인 근거는 시간적 해상도다. 고정 스케줄 샘플링은 샘플링된 두 프레임 사이에 있는 것은 무엇이든 잃어버리며, 그래서 팬 또는 컷, 폐색을 가로지르는 객체 동일성, 1초 미만의 이벤트가 쉬운 질문이 아니라 어려운 질문이 된다. 초당 8프레임에서 더 많은 매개변수는 손실된 정보를 복구하지 못한다; 전체 클립을 본 뒤 한 구간에 추가 연산을 투입하는 것은 복구한다. Elorian의 트레이스는 모델이 정확히 그렇게 하고 있음을 보여주며, 시각적 스크래치 공간은 그 결정을 사후에 검사할 수 있게 한다 — 답을 결정한 구간으로 한 번이라도 되돌아갔는지 확인할 수 있다.

Intern-Decision-4B의 구체적인 근거는 분류 파이프라인에서 파싱 단계를 완전히 제거한다는 점입니다. 다섯 개 레이블 중 하나로 답하라고 요청하는 프롬프트로 현재 대형 모델을 호출한 뒤, 그 답변을 파싱하고, 모델이 레이블 대신 문장으로 답하면 다시 시도하고, “아마도 예”를 예인 것처럼 취급하는 인수 심사나 트리아지 흐름을 생각해 보세요. Intern-Decision-4B는 이를 다섯 개의 확률을 반환하는 단일 순전파로 축소합니다. 파서도, 재시도 루프도, 모델이 무엇을 의미했는지에 대한 모호성도 없습니다. 세 번째 레이블의 임계값이 0.7이라면, 그것은 프롬프트 속 휴리스틱이 아니라 코드 안의 숫자입니다.

둘 중 어느 쪽도 아닌 선택의 근거도 언급할 가치가 있습니다. 장면에서 무슨 일이 일어나고 있는지 설명하는 문단이 필요하다면, Intern-Decision-4B는 그것을 만들어낼 수 없습니다 — 생성 경로가 전혀 없습니다. 이미지의 의미적 내용에 대한 임계값 판단이 필요하다면, G​limpse는 더 저렴하게 얻을 수 있었던 숫자를 얻기 위한 값비싼 방법이며, 해당 공급업체 자체의 벤치마크 표는 미디어를 되감는다고 해서 장면이 함의하는 바에 대한 추론이 개선되지는 않는다는 증거입니다: E​lorian이 Scale AI와 함께 구축한 벤치마크인 Humanity's Sixth Sense 평가에서, G​limpse는 GPT-6 Astra의 53.6에 맞서 46.36점을 기록합니다.

둘 중 하나를 프로덕션 경로 뒤에 배치하기

여기서 라우팅 문제는 가격에 관한 것이 아닙니다. 두 모델은 가격 대체재가 아니기 때문입니다 — 하나는 토큰당 과금되고, 다른 하나는 고정된 포워드 패스이며, 둘 다 우리 카탈로그에 없습니다. 이는 실패 모드가 강경 거부인 모델 앞에 무엇이 놓이는가에 관한 것입니다.

Intern-Decision-4B는 엔진 한도를 초과하는 입력을 거부합니다. 그러한 거부에 대한 폴백이 없는 파이프라인은 요청을 떨어뜨립니다. 이런 형태의 문제에 대한 OrcaRouter의 해답은 자동 페일오버입니다: 200개 이상의 모델 앞에 놓인 하나의 키, 어떤 요청이 어디로 갈지 결정하는 라우팅 DSL을 통해, 그래서 의사결정 엔진이 거부하는 요청을 동일한 입력을 읽고 답변을 산문으로 작성하는 생성 모델로 보낼 수 있습니다. 제공자의 정가는 토큰당 아무것도 추가하지 않고 그대로 전달됩니다, 따라서 보조 경로의 비용은 자체 벤더가 청구하는 금액과 정확히 같고, 그 벤더가 요금을 변경하는 날 함께 변경됩니다. 같은 계층은 입증되지 않은 프리뷰를 승격하지 않고도 테스트할 수 있게 합니다: G​limpse를 섀도 경로에 배치하고, 이미 신뢰하는 모델과 그 판정을 비교하며, 트레이스가 중요한 구간으로 되돌아가는 모습을 보일 때만 승격하세요. 우리는 어느 모델도 제공하지 않습니다 — E​lorian의 자체 API가 G​limpse가 존재하는 곳이고, Intern-Decision-4B는 다운로드입니다 — 따라서 라우팅 계층은 이 둘의 가용성이 아니라 파이프라인의 형태에 대해 작업을 하고 있습니다.

답을 바꾸는 것은 무엇인가?

Glimpse의 경우 세 가지입니다: Elorian의 표에서 한 행을 재현하는 독립적인 하네스, 공개된 컨텍스트 윈도우, 그리고 그 회사가 포스트트레이닝한 기반 모델에 관한 어떤 공개든지. 세 가지 모두 현재 비어 있습니다.

Intern-Decision-4B와 관련해 두 가지가 있습니다. 첫 번째는 문서입니다. 접근할 수 없는 Space, 접근할 수 없는 컬렉션, 404 리포지토리가 있는 상태에서 40초 동안 모델 업로드 세 건이 이루어지는 것은 릴리스가 아니라 빠져나온 스냅샷입니다. 공개된 정확도 수치가 없는 결정 엔진은 무엇과도 보정할 수 없으며, 확률을 반환하는 모델의 가치는 그 확률에 둘 수 있는 신뢰와 정확히 같습니다. 두 번째는 엔진 한도 상향 또는 이미지 예산에 대한 솔직한 안내입니다. 최대 8개의 이미지를 조용히 포함하는 8,192토큰 상한은 프로덕션에서 터질 날만 기다리는 사양상의 돌발 변수이기 때문입니다.

그것들이 도착할 때까지는, 구분은 깔끔하고 어느 모델이 더 큰지와는 아무 상관이 없다. 당신의 일이 영상을 보고 사람에게 무슨 일이 있었는지 알려주는 것이고, 답을 결정한 구간이 트레이스에 보이는 상황이라면, Glimpse는 둘 중 그것을 할 수 있는 유일한 쪽이며, 무료 가입 덕분에 테스트 비용이 저렴하다. 당신의 일이 이름이 지정된 선택지에 대해 분류하거나 점수를 매기거나 결정하는 것이고, 그 선택지에 대한 문장이 아니라 선택지별 보정된 숫자가 필요하다면, Intern-Decision-4B는 바로 그 용도로만 만들어졌다 — 문서화되지 않았다는 점을 받아들이고, 8,192토큰 경계를 일찍 테스트하며, 스스로를 설명해 주리라 기대하지 마라, 그럴 메커니즘이 없으니까.

이번과 같은 릴리스의 배경이 되는, 문서화된 AI 실패 및 에이전트 사건들은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그가 포함되어 있습니다.