Glimpse vs Gemma 4 12B: Een terugspoelmechanisme versus een download

Deze twee worden vooral met elkaar vergeleken omdat beide als visionmodellen worden beschreven, en die beschrijving doet bijna niets van het werk. Glimpse, uitgebracht door Elorian op 16 oktober 2026, is een gehoste onderzoekspreview waarvan het kenmerkende gedrag is dat hij terug kan gaan en opnieuw kan kijken — een deel van een clip opnieuw scannen met een hogere framerate, inzoomen op een gebied, of één kenmerk door de tijd volgen — en hij is alleen bereikbaar via de API en chatinterface van de leverancier. G​emma 4 12B is een dense open-weights-checkpoint van 11,95 miljard parameters van G​oogle DeepMind, uitgebracht op 3 juni 2026 onder Apache 2.0, dat je downloadt en op je eigen hardware draait en dat dezelfde vraag op de tegenovergestelde manier afsluit: het is een vast artefact met een vast frame-sampling-schema, en hoe vaak je er ook naar kijkt, het zal niet terugspoelen.

Dus de eerlijke formulering is niet "welke is beter in vision". Het is dat een van deze een capaciteit is die je huurt en de andere een bestand dat je bezit, en de keuze tussen beide wordt bepaald door feiten die niets met benchmarkrijen te maken hebben.

Het onderscheid dat het daadwerkelijk beslist

Begin met wat elk ervan fysiek is. Gemma 4 12B is een set gewichten. Het instruction-tuned checkpoint op Hugging Face is één enkel safetensors-bestand van 23,92 GB in bfloat16; Googles eigen quantisation-aware-training-builds komen uit op ongeveer 6,98 GB aan gewichten plus een multimodaal projectiebestand van 0,18 GB, en een Q4_K_M-build uit de community komt uit op bijna 7,1 GB. Je kunt het vasthouden, fine-tunen, verder kwantiseren, het in een product verwerken en het draaien zonder netwerk en zonder verbruiksmeter. Dat is de hele propositie.

Glimpse is het tegenovergestelde soort object. Er zijn geen gewichten. Er is geen parameteraantal, geen downloadbaar artefact en geen gepubliceerde architectuur, afgezien van de bewering dat het post-getraind is op een "open weights base model" dat Elorian niet noemt. Wat bestaat, is een API, een chatinterface op platform.elorian.ai met een gratis registratie, en een gepubliceerd gedrag: de visuele kladruimte van het model, waarin het interne visuele representaties opnieuw bezoekt en verfijnt terwijl het denken zich ontvouwt.

Die asymmetrie is het eerste om in te calculeren, en ze werkt beide kanten op. Een downloadbaar checkpoint kan niet onder je vandaan worden afgeschaft, kan zijn gedrag niet achter een versiestring veranderen, en kan niet om 3 uur 's nachts falen omdat de us-east-1 van iemand anders niet blij is. Een gehoste preview met een terugspoelmechanisme kan niet op een air-gapped machine worden uitgevoerd, en — het punt dat er het meest toe doet voor een G​emma 4 12B-vergelijking — kan niet in 16 GB geheugen passend worden gemaakt, omdat er niets is om in te passen.

Wat de rewind oplevert, in de eigen cijfers van de leverancier

De uitgewerkte voorbeelden van Elorian zijn het meest concrete dat over Glimpse is gepubliceerd, en ze zijn de moeite waard om te lezen als beschrijvingen in plaats van als scores. In één trace maakt het model een eerste doorgang met ongeveer 8 frames per seconde, vormt een voorlopige interpretatie en gaat dan terug en scant een venster van 0,9 seconde opnieuw bij ongeveer 14 fps om te bepalen of wat het ziet een panbeweging of een cut is. In een andere volgt het een enkele vensterrand vanaf ongeveer 2,2 seconden in een clip totdat de beweging op 5,13 seconden bijna tot stilstand komt.

Gemma 4 12B heeft geen equivalent. Het verwerkt video als framereeksen volgens een schema dat jij kiest, en zodra de frames zijn geselecteerd, is alles wat daartussen viel verdwenen. Dat is geen defect — het is wat een open-weights-checkpoint met een gepubliceerd inferentiepad hoort te doen — maar het is precies de categorie vragen die de rewind bestaat om te beantwoorden.

Waar G​emma 4 12B uitloopt, is bij alles wat je doet met een model. Op de eigen kaart van G​oogle, die de hele familie beslaat en door de leverancier gerapporteerd is in plaats van onafhankelijk gereproduceerd, scoort de 12B 77,2% op MMLU Pro, 78,8% op GPQA Diamond, 77,5% op AIME 2026 zonder tools, 72,0% op LiveCodeBench v6, een Codeforces ELO van 1659, 69,1% op MMMU Pro en 43,4% op MRCR v2 bij 128K met acht needles. Glimpse publiceert helemaal niets in die familie — geen redeneerbenchmark, geen codebenchmark, geen kennisbenchmark. De vergelijking is niet close, omdat de vergelijking nooit is uitgevoerd.

De scorekaarten, en welke lege plekken opzettelijk zijn

De twee gepubliceerde bewijssets overlappen niet. De tabel van Glimpse is afgezet tegen GPT-6 Astra en is door de leverancier gerapporteerd, zonder onafhankelijke reproductie; hetzelfde geldt voor de tabel van Google. Ze naast elkaar lezen is nog steeds nuttig, omdat het laat zien waarop elk bedrijf wilde worden gemeten.

• WGO Bench (manipulatiegebeurtenissen) — Glimpse 42,70 vs Astra 39,42. Gemma 4 12B: niet gerapporteerd.

• CharXiv-R — Glimpse 92,90 vs 92,10. G​emma 4 12B: niet gerapporteerd.

• UGC-VideoCap — Glimpse 82,66 vs 80,32. Gemma 4 12B: niet gerapporteerd.

• FSC-147 — Glimpse 83,36 vs 82,02. Gemma 4 12B: niet gerapporteerd.

• Video-MME v2 — Glimpse 56,68 vs Astra 64,06 en GPT-6.1 Sol 65,27. G​emma 4 12B: niet gerapporteerd.

• Het zesde zintuig van de mensheid — Glimpse 46,36 vs Astra 53,6. G​emma 4 12B: niet gerapporteerd.

• MMLU Pro — G​emma 4 12B 77,2%. Glimpse: niet gerapporteerd.

• LiveCodeBench v6 — G​emma 4 12B 72,0%. Glimpse: niet gerapporteerd.

• Onafhankelijke beoordeling — Artificial Analysis geeft G​emma 4 12B een Intelligence Index van 14, goed voor een 20e plaats van de 141 modellen in zijn vergelijkingsklasse, met een gemeten outputsnelheid van 110,9 tokens per seconde. Glimpse heeft geen enkele onafhankelijke score; het is één dag oud.

De Glimpse-tabel bevat ook een voetnoot die een lezer niet mag overslaan: die resultaten gebruiken de hoogste denkinspanning met de native agent-harness van het model, en voor de meeste video-evaluaties werden Sol en Opus 5.5 op hoge in plaats van maximale inspanning gedraaid, waarbij de HSS-rij ook in papers gerapporteerde cijfers van andere labs vermengt. Dezelfde discipline geldt aan de andere kant — de cijfers op Google's model card zijn gepubliceerd voor de instruction-tuned checkpoints, zonder dat er een harness van derden aan te pas komt.

Wat elk kost, en in welke eenheid

Dit is waar de vormen het sterkst uiteenlopen, omdat de eenheden niet converteren.

Glimpse wordt per token geprijsd: $0,60 per miljoen inputtokens en $3,00 per miljoen output. Elorian geeft de vergelijking zelf weer — 94% lager dan GPT-6 Astra tegen $10/$50, 85% lager dan C​laude Opus 5.5 tegen $4/$20, 70% lager dan GPT-6.1 Sol tegen $2/$10, en 20% lager dan het introductietarief van G​emini 3.8 Flash van $0,75/$3,75 — en noemt één cijfer op taakniveau, een episode van robotplanning die $0,035 kost op Glimpse tegenover $0,249 op Astra. Dat zijn allemaal de cijfers van de leverancier over het model van de leverancier.

Gemma 4 12B heeft geen leveranciersprijs omdat er geen leveranciersdienst is. Het enige cijfer per token dat ervoor bestaat, is de gecombineerde $0,10 per miljoen input en $0,30 per miljoen output van Artificial Analysis, en dat is een mediaan over platforms van derden die de open gewichten aanbieden, geen lijstprijs — Google publiceert er geen. Als je zelf host, is het getal waar je echt om geeft helemaal geen tariefkaart. Het is een download van 7 GB, een GPU-uur en de elektriciteit.

Alles volgt daaruit. Een Glimpse-aanroep heeft marginale kosten die schalen met volume en vaste kosten van nul. Een G​emma 4 12B-implementatie heeft marginale kosten bijna nul en vaste kosten die een machine zijn. Het break-evenpunt is een volumekwestie, en geen enkele leverancier zal het voor je publiceren.

Waar dit paar in onze eigen catalogus staat

Geen van beide modellen is een model dat OrcaRouter aanbiedt, en het is de moeite waard om dat ronduit te zeggen in plaats van de lezer iets anders te laten veronderstellen. Glimpse is bereikbaar via Elorians eigen API en chatinterface; G​emma 4 12B is een download, en de gehoste routes ernaartoe zijn platforms van derden die de open weights draaien. De Gemma 4-formaten die wij wél routeren zijn Gemma 4 26B A4B en G​emma 4 31B — de grotere, capabelere leden van dezelfde familie — en als je werkelijke vraag is "welk G​emma 4-formaat moet ik aanroepen", dan beantwoorden onze eigen modelpagina's voor die twee dat sneller dan deze pagina.

Waar een routeringslaag in deze specifieke vergelijking zijn plek verdient, is het tussenliggende geval: een team dat een G​emma 4-formaat dat het al zelf host wil blijven draaien, en daarnaast een onbewezen preview wil uitproberen zonder een productiepad in te zetten op een model dat gisteren is uitgekomen. Beide achter één endpoint houden betekent dat de preview achter automatische failover zit in plaats van ervoor, en dat een tariefkaart die verandert — wat die van een onderzoekspreview zal doen — dezelfde dag aan onze kant live is in plaats van bij de volgende contractverlenging. Dat is een uitspraak over hoe wij werken, niet de claim dat we een van deze twee hosten.

Kiezen, aangezien ze geen vervangers zijn

Als je werk temporeel is en je faalmodus is "het model keek wel, maar niet nauwkeurig genoeg" — de identiteit van een object over een cut heen, een gebeurtenis binnen een subsecondevenster, een telling die verandert wanneer iets wordt afgeschermd — dan is Glimpse het eerste gehoste model waarvan het opgegeven mechanisme zich direct daarop richt, en de gratis aanmelding maakt de test goedkoop. Ga je eigen clip erdoorheen halen. Controleer daarna de scratch space: als het model het interval dat ertoe deed nooit opnieuw heeft gescand, heb je iets geleerd over je pipeline en niet alleen over het model.

Als het je werk is om een competent multimodaal model op hardware te zetten die je zelf beheert — een laptop met 16 GB geheugen naar eigen zeggen van Google, of een 24GB-kaart voor de niet-gekwantiseerde build — dan is Gemma 4 12B het volwassen, gelicentieerde, benchmarkbare antwoord, en het heeft vier maanden aan community-kwantisaties en tooling achter zich, iets wat een één dag oude preview niet heeft. Die volwassenheid is niet niks: het is het verschil tussen een model waar je een kwartaal omheen kunt plannen en een model waar je een week omheen kunt plannen.

De valkuil is om Glimpse te kiezen omdat de tabel ervan Astra op vier rijen verslaat, en dan te ontdekken dat de taak redeneren vereiste, niet om opnieuw te scannen. Het eigen HSS-getal van het model is het bewijs tegen die interpretatie — 46,36 tegenover Astra's 53,6, op een benchmark die Elorian zelf met Scale AI heeft gebouwd. Het publiceren van een resultaat dat je eigen model niet weet te overtreffen is een geloofwaardigheidssignaal, en het vertelt je ook precies wat de rewind niet oplost.

Niets daarvan is hypothetisch: de gedocumenteerde AI-fouten en agent-incidenten achter releases zoals deze zijn verzameld in the OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en markering voor betwisting bevat.