Glimpse vs LFM2.5 2.6B Base: Een van deze kan geen vraag beantwoorden

Glimpse is Elorians onderzoekspreview voor visueel redeneren, uitgebracht op 16 oktober 2026, en het verkoopargument is een gedrag: terwijl het nadenkt kan het teruggaan naar de afbeelding of de video, een interval van 0,9 seconde opnieuw scannen met een hogere framerate, inzoomen op een gebied, of één kenmerk door de tijd heen volgen, en pas daarna antwoorden. LFM2.5 2.6B Base is een checkpoint met 2,69 miljard parameters dat Liquid AI op 4 augustus 2026 publiceerde onder de LFM Open License v1.0, en het heeft helemaal geen instructie-tuning — het is nooit getraind om wat dan ook te beantwoorden. Geef het een vraag en het zet de tekst voort, op plausibele wijze, in het register van wat eraan voorafging. Dat is geen defect of een ontbrekende release; het is de specificatie. Het eerste dat over deze combinatie dus gezegd moet worden, is dat het geen wedstrijd is tussen twee modellen van verschillende kwaliteit. Het is een confrontatie tussen een capaciteit die je huurt en een grondstof die je traint, en het enige feit dat tussen beide beslist, is of het werk dat je hebt een vraag of een dataset is.

Alles hieronder volgt daaruit, inclusief het feit dat slechts één van deze twee een benchmarktabel heeft — en dat is niet degene die een lezer zou raden.

Twee objecten, beschreven zonder de marketing

Glimpse heeft geen downloadbaar artefact. Elorian publiceert geen parameteraantal, geen architectuur, geen contextvenster en geen naam voor het open-weights basismodel waarop het naar eigen zeggen is bijgetraind. Wat er wel is, is een API en een chatinterface met een gratis aanmelding, een prijs van $0,60 per miljoen invoertokens en $3,00 per miljoen uitvoertokens, en een reeks uitgewerkte redeneersporen die laten zien dat het model midden in zijn denkproces op visueel bewijs terugkomt. Zijn visuele kladruimte — het oppervlak waarop het opnieuw bekijkt wat het zag — is het product.

LFM2.5 2.6B Base is de exacte inverse. Het is een bestand. Dertig lagen, waarvan 22 dual-gated short-convolutieblokken en 8 grouped-query-attention; ongeveer 34 biljoen trainingstokens over 16 talen; een contextvenster van 131.072 tokens; een gekwantiseerde build van ongeveer 1,67 GB. Het is alleen tekst, het is dense, en het is bewust niet gescoord, omdat het scoren van een basis-checkpoint op benchmarks voor het volgen van instructies het ontbreken van fine-tuning zou meten in plaats van de kwaliteit van het substraat.

• Wat je ontvangt — Glimpse: een API-sleutel en een gehost endpoint. LFM2.5 2.6B Base: gewichten, een tokenizer en een licentie.

• Modaliteit — Glimpse: afbeeldingen en video als invoer, met re-entrante sampling in de tijd. LFM2.5 2.6B Base: tekst in, tekst uit.

• Prijs — Glimpse $0,60 / $3,00 per miljoen tokens, door de leverancier gepubliceerd. LFM2.5 2.6B Base: niets per aanroep; u levert de hardware.

• Gepubliceerde grootte — niet bekendgemaakt voor Glimpse, wat ongebruikelijk is voor een gehost model en zelf de bekendmaking is. 2,69B dense voor LFM2.5 2.6B Base, elk gewicht zichtbaar in de repository.

• Out-of-the-boxgedrag — Glimpse beantwoordt vragen over wat het heeft bekeken. LFM2.5 2.6B Base vervolgt je tekst, omdat dat is wat pretraining oplevert.

• Licentie — Glimpse is een gehoste preview onder de voorwaarden van Elorian. LFM Open License v1.0, gratis onder $10 miljoen jaarlijkse omzet en vereist een aparte licentie op of boven die grens.

Waarom heeft slechts één van deze een scorecard?

Dit is het stuk dat achterstevoren leest. Het model zonder gewichten, zonder bekendgemaakte omvang en zonder onafhankelijke evaluatie publiceert een benchmarktabel met twaalf rijen ten opzichte van GPT-6 Astra. Het model waarvan elk gewicht is gepubliceerd en de architectuur volledig gedocumenteerd is, publiceert niets.

Beide lege plekken zijn rationeel, en ze betekenen tegenovergestelde dingen, dus het is de moeite waard ze te scheiden.

Glimpses tabel is door de leverancier gerapporteerd en niet gereproduceerd — Elorians eigen cijfers, tegen zijn eigen keuze van rivalen, uitgevoerd op de hoogste denkinspanning van het model met zijn native agent-harness, met een voetnoot die onthult dat verschillende concurrenten onder hun maximale inspanning werden uitgevoerd en dat de HSS-rij cijfers uit papers van andere labs erin mengt. Gelezen als een claim over richting is het informatief; gelezen als een score is het nog geen bewijs, omdat niemand buiten het bedrijf het heeft uitgevoerd. En waar de tabel het nuttigst is, is waar hij onflatteus is: Glimpse scoort 46,36 op Humanity's Sixth Sense tegen Astra's 53,6, op een benchmark die Elorian zelf bouwde met Scale AI. De rewind koopt perceptie — tellen, grafieken lezen, een object door beweging volgen — en koopt geen inferentie over wat een scène impliceert.

Het blanco vakje van LFM2.5 2.6B Base is van een andere aard. Er valt niets te scoren. Een basis-checkpoint heeft geen gedrag; het heeft een verdeling. Liquid AI benchmarkt in plaats daarvan het post-getrainde broertje in de familie, wat de juiste technische beslissing is en je precies niets vertelt over of het substraat geschikt zal zijn voor jouw taak.

Die asymmetrie heeft een praktisch gevolg. Voor Glimpse luidt de evaluatievraag: "zal de bewering van de leverancier mijn clip overleven?" Voor LFM2.5 2.6B Base luidt de evaluatievraag: "kan ik dit trainen tot iets dat werkt" — en de tweede vraag is vandaag beantwoordbaar, door jou, voor de prijs van een download. De build van 1,67 GB past op een laptop; de trainingsloop is het werk.

De eenheden worden niet omgerekend, dus reken ze handmatig om.

Een prijs per token en een gratis download kunnen niet direct met elkaar worden vergeleken, en dat is precies waar de meeste vergelijkingen van deze vorm stiekem de boel bedriegen. De eerlijke manier is om een taak te kiezen en beide routes te beprijzen.

Neem een smalle, hoogvolume taak waarin een kleine fine-tune echt goed is: een vast documenttype lezen en gestructureerde JSON uitvoeren, 50 miljoen tokens per maand verwerken, ongeveer de helft in en de helft uit. Op Glimpse is dat ongeveer $90 per maand — $15 aan input tegen $0,60 per miljoen, $75 aan output tegen $3,00 — plus de engineeringtijd om het te prompten en te valideren. Op LFM2.5 2.6B Base is de inferentie gratis, en de rekening verschuift volledig naar voren: een paar duizend gelabelde voorbeelden samenstellen, één trainingsrun op je eigen kaart, een evaluatieset, en een nieuwe run telkens wanneer het documentformaat verandert.

Twee dingen vloeien uit die rekensom voort die gemakkelijk te missen zijn.

Het eerste is dat de fine-tune alleen op kosten wint boven een volumedrempel, en die drempel wordt bepaald door hoeveel engineering je team kan absorberen, niet door wat Liquid AI publiceert. Een team zonder trainingscapaciteit heeft helemaal geen break-evenpunt aan die kant van de vergelijking, wat een reëel en vaak beslissend feit is.

Ten tweede zijn de eigen prijsclaims van Glimpse op iets heel anders gericht. Elorian presenteert $0,60/$3,00 als 94% lager dan GPT-6 Astra tegen $10/$50 en 85% lager dan Claude Opus 5.5 tegen $4/$20. Tegenover frontier-topmodellen is Glimpse goedkoop. Tegenover het lage segment van kleine modellen — een 2,6B-checkpoint dat je zelf bezit, of een volumelijn zoals A​libaba's Qwen3.8-Flash tegen $0,15/$0,47 — zit het aan de dure kant van de vergelijking, en het artikel naast dit over Q​wen 3.8 werkt dat uit met de echte tariefkaarten. Een kortingsclaim van een leverancier is altijd relatief aan de vergelijkingsset die de leverancier heeft gekozen.

Hoe je de test daadwerkelijk zou uitvoeren

De bovenstaande vergelijking is alleen iets waard als het goedkoop is om die uit te voeren, en de praktische hindernis is dat de twee kanten in verschillende systemen leven: een gehost endpoint met één sleutel, en een trainingsloop die eindigt in een model dat je ergens moet serveren. Dat omzetten in een A/B-test op je eigen workload is waar een routeringslaag zijn bestaansrecht verdient, en het is hetzelfde argument of je nu een fine-tune met een API vergelijkt of twee API's met elkaar.

OrcaRouter zet een tekst-endpoint en elk gepubliceerd model naast elkaar achter één sleutel — meer dan 200 modellen, de lijstprijs van de provider doorgegeven zonder iets per token toe te voegen, één factuur, en automatische failover zodat een slechte middag van een provider niet de slechte middag van jouw evaluatie wordt. Noch Glimpse noch LFM2.5 2.6B Base staat in die catalogus, en geen enkele LFM2.5-variant: Glimpse komt van Elorians eigen API en chatinterface, en het Liquid-checkpoint komt van Liquid AI, beide zaken die je rechtstreeks verkrijgt. Wat de routeringslaag verandert, is de controlegroep. Wanneer de vraag is "is mijn fine-tune echt beter dan gewoon iets aan te roepen," wil je dat dat 'iets' een configuratiewijziging is in plaats van een inkooptraject, want het experiment dat je vanmiddag kunt uitvoeren is het enige dat een getal oplevert.

Waar fine-tuning je niet kan brengen, ongeacht de grootte

Dit is het deel van de vergelijking dat niet tot een kostenkwestie leidt, en het is de reden dat deze twee in geen van beide richtingen substituten voor elkaar zijn.

Het vermogen van Glimpse is temporeel en visueel. Objectidentiteit over een cut heen, een gebeurtenis binnen een venster van minder dan een seconde, een telling die verandert wanneer iets iets anders afdekt — een terugspoelmechanisme pakt die rechtstreeks aan, en de sporen laten zien of het model het interval dat ertoe deed daadwerkelijk opnieuw heeft gescand. Geen enkele mate van fine-tuning van een text-only checkpoint van 2,69B levert dat gedrag op, omdat het substraat geen video-invoer heeft en geen mechanisme om na een eerste pass extra rekenkracht aan een specifiek interval te besteden. Je kunt je niet naar een architectuur toe trainen die je niet hebt gebouwd.

Het omgekeerde geldt net zo stellig. Een gehoste preview waarvan het aantal parameters, het contextvenster en het basismodel allemaal niet bekend zijn, is niet iets dat je in een gereguleerd product kunt uitbrengen, air-gapped kunt draaien of waarvan je de beschikbaarheid kunt garanderen. En de tariefkaart van een onderzoekspreview kan op elk moment wijzigen, wat prima is voor een proefperiode en lastig voor een kostenmodel.

Dus de eerlijke samenvatting is niet dat de een beter is. Het is dat een team met een teksttaak en een dataset naar de checkpoint zou moeten kijken, een team met een temporele visuele vraag naar de preview zou moeten kijken, en een team dat geen van beide heeft, heeft nog geen reden om ze te vergelijken.

Drie voorwaarden, en wat elke impliceert

Als je taak nauw afgebakend is, alleen tekst betreft, en je hebt — of kunt kopen — een paar duizend gelabelde voorbeelden, dan is LFM2.5 2.6B Base het waardevollere object, omdat je uiteindelijk het artefact bezit en elektriciteit betaalt in plaats van tokens. Download eerst de 1,67 GB-build en bevestig dat het ding op je hardware draait voordat je er iets omheen plant. Die stap kost een middag.

Als je faalmodus temporeel is — het model keek wel, maar niet nauwkeurig genoeg — dan is Glimpse het eerste gehoste model waarvan het aangegeven mechanisme daar direct op mikt, en de gratis aanmelding maakt de test goedkoop. Draai je eigen clip en lees dan de scratchruimte: als die het interval dat het antwoord bepaalde nooit opnieuw heeft gescand, heb je iets geleerd over je pijplijn en niet alleen over het model.

Als je nog niet weet welke van die twee je bent, ligt de volgorde van handelen vast: gebruik eerst het gehoste model, want dat beantwoordt in een middag wat een fine-tuningproject in een maand beantwoordt. Het substraat blijft beschikbaar. Het is volgend kwartaal nog steeds een download van 1,67 GB, en het enige dat je hebt besteed, is de tijd die je anders zou hebben besteed aan het samenstellen van een dataset voor een taak die een API-aanroep misschien had kunnen dekken.

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.