Glimpse vs LFM2.5 2.6B Base: 이 중 하나는 질문에 답할 수 없다

Glimpse는 Elorian의 시각 추론 연구 프리뷰로, 2026년 10월 16일에 공개되었으며, 판매 포인트는 하나의 행동입니다: 생각하는 동안 이미지나 영상으로 돌아가, 0.9초 구간을 더 촘촘한 프레임 레이트로 다시 스캔하고, 특정 영역을 확대하거나, 시간에 걸쳐 하나의 특징을 추적한 다음에야 답합니다. LFM2.5 2.6B Base는 Liquid AI가 2026년 8월 4일에 LFM Open License v1.0에 따라 공개한 26억 9천만 개 파라미터 체크포인트이며, 명령 튜닝이 전혀 없습니다 — 어떤 것에도 답하도록 훈련된 적이 없습니다. 질문을 주면, 앞서 온 내용의 문체로 그럴듯하게 텍스트를 이어갑니다. 이는 결함이나 누락된 릴리스가 아니라 사양입니다. 따라서 이 조합에 대해 가장 먼저 할 말은 서로 다른 품질의 두 모델 간의 맞대결이 아니라는 것입니다. 그것은 당신이 빌리는 능력과 당신이 훈련하는 원재료 사이의 맞대결이며, 둘 사이를 결정하는 단 하나의 사실은 당신이 가진 작업이 질문인지 데이터셋인지입니다.

아래의 모든 것은 그로부터 비롯된다. 이 둘 중 하나만 벤치마크 표를 갖고 있다는 사실을 포함해서 — 그리고 그것은 독자가 짐작할 만한 쪽이 아니다.

마케팅 없이 설명된 두 개의 객체

Glimpse에는 다운로드할 수 있는 결과물이 없다. Elorian은 파라미터 수, 아키텍처, 컨텍스트 윈도우를 공개하지 않으며, Glimpse가 포스트트레이닝을 거쳤다고 밝힌 오픈 웨이트 기반 모델의 이름도 공개하지 않는다. 존재하는 것은 무료 가입이 가능한 API와 채팅 인터페이스, 입력 토큰 100만 개당 0.60달러·출력 토큰 100만 개당 3.00달러라는 가격, 그리고 모델이 사고 도중 시각적 증거를 다시 들여다보는 모습을 보여주는 일련의 추론 트레이스다. 자신이 본 것을 다시 살펴보는 표면인 시각적 스크래치 공간이 바로 이 제품이다.

LFM2.5 2.6B Base는 정확히 그 반대다. 그것은 파일이다. 30개 레이어로, 그중 22개는 이중 게이트 숏컨볼루션 블록이고 8개는 그룹 쿼리 어텐션이다. 약 34조 개의 학습 토큰이 16개 언어에 걸쳐 있고, 131,072토큰 컨텍스트 윈도, 약 1.67GB의 양자화 빌드다. 텍스트 전용이며, 덴스이고, 의도적으로 점수를 매기지 않는다. 베이스 체크포인트를 지시 수행 벤치마크로 채점하는 것은 기반의 품질이 아니라 파인튜닝의 부재를 측정하는 일이기 때문이다.

• 제공받는 항목 — Glimpse: API 키와 호스팅된 엔드포인트. LFM2.5 2.6B Base: 가중치, 토크나이저, 라이선스.

• 모달리티 — Glimpse: 이미지와 동영상 입력, 시간 경과에 따른 재진입 샘플링 지원. LFM2.5 2.6B Base: 텍스트 입력, 텍스트 출력.

• 가격 — Glimpse 백만 토큰당 $0.60 / $3.00, 벤더 공개. LFM2.5 2.6B Base: 호출당 비용 없음; 하드웨어는 직접 제공.

• 공개된 크기 — Glimpse의 경우 비공개이며, 이는 호스팅 모델로서 이례적인 일이고 그 자체가 하나의 정보 공개이다. LFM2.5 2.6B Base의 경우 2.69B dense로, 모든 가중치가 저장소에 공개되어 있다.

• 별도 설정 없는 기본 동작 — Glimpse는 자신이 살펴본 것에 관한 질문에 답합니다. LFM2.5 2.6B Base는 텍스트를 이어 쓰는데, 그것이 바로 사전 학습이 만들어내는 결과이기 때문입니다.

• 라이선스 — Glimpse는 Elorian의 약관에 따라 제공되는 호스팅형 프리뷰입니다. LFM Open License v1.0은 연 매출 1,000만 달러 미만이면 무료로 사용할 수 있으며, 그 기준 이상일 경우 별도의 라이선스가 필요합니다.

왜 이것들 중 하나만 스코어카드가 있나요?

이 대목이 바로 거꾸로 읽히는 부분이다. 가중치도 공개하지 않고, 크기도 밝히지 않으며, 독립적 평가도 없는 모델이 GPT-6 Astra를 상대로 한 12행 벤치마크 표를 공개한다. 모든 가중치를 공개하고 아키텍처를 완전히 문서화한 모델은 아무것도 공개하지 않는다.

두 빈칸 모두 합리적이며 서로 반대되는 의미를 지니므로, 이 둘을 분리해 볼 가치가 있다.

Glimpse의 표는 벤더가 보고한 것이고 재현되지 않았다 — Elorian 자체 수치로, 자기가 고른 경쟁사들을 상대로, 모델의 최고 사고 노력에서 자체 에이전트 하네스로 실행한 것이며, 여러 경쟁사가 최대 노력 이하로 실행되었고 HSS 행에는 다른 연구소에서 논문으로 보고한 수치가 섞여 있다는 점을 밝히는 각주가 달려 있다. 방향성에 대한 주장으로 읽으면 유익하지만, 점수로 읽으면 아직 증거가 아니다. 회사 밖에서는 아무도 그것을 실행해 보지 않았기 때문이다. 그리고 이 표가 가장 유용한 지점은 불리하게 드러나는 곳이다: Glimpse는 Elorian이 Scale AI와 함께 만든 벤치마크인 Humanity's Sixth Sense에서 Astra의 53.6에 맞서 46.36점을 기록한다. 리와인드가 사들이는 것은 지각 — 세기, 차트 읽기, 움직이는 물체 추적 — 이며, 어떤 장면이 무엇을 함축하는지에 대한 추론은 사들이지 않는다.

LFM2.5 2.6B Base의 공백은 성질이 다릅니다. 점수를 매길 것이 없습니다. 베이스 체크포인트에는 행동이 없고, 분포가 있을 뿐입니다. Liquid AI는 대신 패밀리 내 포스트트레이닝된 형제 모델을 벤치마킹하는데, 이는 올바른 엔지니어링 결정이며 기반이 당신의 작업에 적합할지에 대해서는 정확히 아무것도 알려주지 않습니다.

그 비대칭성에는 실질적인 결과가 따른다. Glimpse의 경우, 평가 질문은 "공급업체의 주장이 내 클립에서 살아남을까"이다. LFM2.5 2.6B Base의 경우, 평가 질문은 "이것을 작동하는 무언가로 훈련시킬 수 있을까"이며, 두 번째 질문은 오늘날 당신이 다운로드 한 번의 비용으로 답할 수 있다. 1.67 GB 빌드는 노트북에 들어가고, 훈련 루프가 해야 할 일이다.

단위가 변환되지 않으므로 수동으로 변환하세요.

토큰당 가격과 무료 다운로드는 직접 비교할 수 없는데, 바로 이 지점에서 이런 형태의 대부분의 비교가 슬그머니 속임수를 쓴다. 정직한 방법은 하나의 과제를 정하고 두 경로의 값을 모두 매겨 보는 것이다.

범위가 좁고 처리량이 많은, 작은 파인튜닝이 진짜 잘하는 작업을 하나 들어 보자. 고정된 문서 유형을 읽고 구조화된 JSON을 출력하는 작업으로, 한 달에 5천만 토큰을 처리하며 대략 절반은 입력, 절반은 출력이다. Glimpse에서는 이게 월 약 90달러다. 입력 1,500만 토큰은 백만 토큰당 0.60달러로 15달러, 출력은 3.00달러로 75달러다. 여기에 프롬프트를 만들고 검증하는 엔지니어링 시간이 더해진다. LFM2.5 2.6B Base에서는 추론이 무료이고, 청구서는 전부 앞단으로 옮겨 간다. 수천 개의 라벨링된 예시를 모으고, 자기 GPU에서 한 번 학습을 돌리고, 평가 세트를 만들고, 문서 형식이 바뀔 때마다 다시 돌리는 일이다.

그 계산에서 도출되는, 놓치기 쉬운 두 가지가 있다.

첫 번째는 파인튜닝이 비용 면에서 이기는 것은 특정 볼륨 임계값을 넘을 때뿐이며, 그 임계값은 Liquid AI가 발표하는 어떤 것이 아니라 여러분 팀이 감당할 수 있는 엔지니어링 역량에 의해 정해진다는 점입니다. 학습 역량이 없는 팀은 비교의 그 측면에서 손익분기점이 아예 없으며, 이는 현실적이고 자주 결정적인 사실입니다.

두 번째는 Glimpse 자체의 가격 주장이 완전히 다른 곳을 겨냥하고 있다는 점입니다. Elorian은 $0.60/$3.00을 GPT-6 Astra의 $10/$50보다 94% 낮고 Claude Opus 5.5의 $4/$20보다 85% 낮다고 규정합니다. 프런티어 플래그십과 비교하면 Glimpse는 저렴합니다. 소형 모델 쪽 — 직접 보유한 2.6B 체크포인트나 Alibaba의 Qwen3.8-Flash처럼 $0.15/$0.47인 대량 레인 — 과 비교하면 이는 비교의 비싼 쪽이며, 이 글 옆에 있는 Qwen 3.8에 관한 글에서 실제 요금표로 이를 계산합니다. 공급업체의 할인 주장은 언제나 공급업체가 선택한 비교 집합에 상대적입니다.

실제로 테스트를 어떻게 실행할지

위 비교는 실행 비용이 저렴할 때만 가치가 있으며, 실질적인 걸림돌은 양쪽이 서로 다른 시스템에 속해 있다는 점입니다. 하나는 단일 키를 쓰는 호스팅 엔드포인트이고, 다른 하나는 결국 어딘가에 서빙해야 하는 모델로 끝나는 학습 루프입니다. 이를 자신의 워크로드에 대한 A/B 테스트로 만드는 지점에서 라우팅 계층이 제 역할을 하게 되며, 파인튜닝을 API와 비교하든 두 API를 서로 비교하든 논리는 같습니다.

OrcaRouter는 텍스트 엔드포인트와 공개된 모든 모델을 하나의 키 뒤에 나란히 둡니다 — 200개 넘는 모델, 토큰당 아무것도 더하지 않고 그대로 전달되는 제공업체 정가, 하나의 청구서, 그리고 제공업체의 안 좋은 오후가 여러분의 평가의 안 좋은 오후가 되지 않도록 하는 자동 페일오버. Glimpse도 LFM2.5 2.6B Base도 그 카탈로그에 없고, 어떤 LFM2.5 변형도 없습니다: Glimpse는 Elorian 자체 API와 채팅 인터페이스에서 오고, Liquid 체크포인트는 Liquid AI에서 오며, 둘 다 직접 얻는 것입니다. 라우팅 계층이 바꾸는 것은 대조군입니다. "내 파인튜닝이 그냥 뭔가를 호출하는 것보다 실제로 더 나은가?"라는 질문일 때, 여러분은 그 '무언가'가 조달 주기가 아니라 구성 변경이기를 바랍니다. 왜냐하면 오늘 오후에 실행할 수 있는 실험만이 숫자를 만들어 내기 때문입니다.

어떤 규모에서든, 파인튜닝이 도달할 수 없는 곳

이것은 비용 문제로 환원되지 않는 비교의 한 부분이며, 이 둘이 어느 방향으로도 대체재가 아닌 이유이다.

Glimpse의 능력은 시간적이고 시각적이다. 컷을 넘나드는 객체 동일성, 1초 미만 창 안에서 벌어지는 이벤트, 무언가가 가릴 때 바뀌는 개수 — 되감기 메커니즘은 이런 것들을 직접 다루며, 트레이스는 모델이 실제로 중요했던 구간을 다시 스캔했는지 보여준다. 2.69B 텍스트 전용 체크포인트를 아무리 파인튜닝해도 그런 동작은 나오지 않는다. 왜냐하면 그 기반에는 비디오 입력이 없고, 첫 패스 이후 특정 구간에 추가 연산을 쓰는 메커니즘도 없기 때문이다. 직접 구축하지 않은 아키텍처는 훈련으로 도달할 수 없다.

그 반대의 경우도 마찬가지로 확고하게 성립한다. 파라미터 수, 컨텍스트 윈도우, 기본 모델이 모두 공개되지 않은 호스팅 프리뷰는 규제 대상 제품 안에 출시하거나, 에어갭 환경에서 실행하거나, 그 가용성을 보장할 수 있는 대상이 아니다. 그리고 연구용 프리뷰의 요금표는 언제든 바뀔 수 있는데, 이는 시험 사용에는 괜찮지만 비용 모델에는 곤란하다.

그러니 솔직한 요약은 어느 쪽이 더 낫다는 게 아니다. 텍스트 작업과 데이터셋이 있는 팀은 체크포인트를 봐야 하고, 시간적 시각 질문이 있는 팀은 프리뷰를 봐야 하며, 둘 다 없는 팀은 아직 이 둘을 비교할 이유가 없다.

세 가지 조건, 그리고 각각이 시사하는 것

작업 범위가 좁고 텍스트 전용이며, 레이블이 지정된 예시를 수천 개 갖고 있거나 구매할 수 있다면, LFM2.5 2.6B Base가 더 가치 있는 대상입니다. 결국 토큰 대신 전기 요금을 내면서 그 산출물을 소유하게 되기 때문입니다. 1.67 GB 빌드를 먼저 다운로드하고, 이를 중심으로 무엇이든 계획하기 전에 그게 당신의 하드웨어에서 실행되는지 확인하세요. 그 단계에는 반나절이 걸립니다.

당신의 실패 모드가 시간적이라면 — 모델이 보긴 했지만 충분히 자세히 보지 못한 경우 — Glimpse는 그 점을 직접 겨냥한다고 명시된 메커니즘을 가진 최초의 호스팅 모델이며, 무료 가입 덕분에 테스트 비용이 저렴합니다. 자신의 클립을 실행한 뒤 스크래치 공간을 읽어 보세요: 답을 결정한 구간을 결코 다시 스캔하지 않았다면, 당신은 모델에 대해서만이 아니라 자신의 파이프라인에 대해서도 무언가를 배운 셈입니다.

당신이 그 둘 중 어느 쪽인지 아직 모른다면, 작업 순서는 정해져 있습니다: 호스팅된 모델을 먼저 실행하세요. 왜냐하면 그것은 파인튜닝 프로젝트가 한 달에 걸쳐 답할 것을 오후 한나절 만에 답하기 때문입니다. 기반은 계속 사용 가능합니다. 다음 분기에도 여전히 1.67 GB 다운로드일 것이며, 당신이 들이는 유일한 비용은 API 호출로 충분했을 수도 있는 작업을 위해 데이터셋을 구성하는 데 그렇지 않았으면 썼을 시간뿐입니다.

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.