Glimpse vs MiniCPM5 2B: zeven weken papieren spoor en negen tienden van een seconde

MiniCPM5-2B en E​lorian G​limpse zijn beide kleine modellen waarvan wordt beweerd dat ze dingen verslaan die veel groter zijn dan zijzelf, en ze doen die bewering in tegenovergestelde valuta. MiniCPM5-2B, getoond door M​odelBest en O​penBMB tijdens WAIC op 19 juli 2026 en uiteindelijk op 6 september 2026 gewichten kreeg, komt met een modelkaart die gemiddeld 53,9 scoort op zijn eigen testset tegenover grotere open modellen die niet boven 51,1 uitkomen. G​limpse, uitgebracht op 16 oktober 2026, komt met een venster van 0,9 seconde — een eerste doorgang met ongeveer 8 frames per seconde, daarna een herscan van negen tienden van een seconde met ongeveer 14 frames per seconde — en een reeks benchmarkrijen die van de leverancier zelf zijn, niet gereproduceerd en opvallend wisselend. Een van deze heeft zeven weken openbaar papieren spoor achter zich en een downloadbaar artefact. De andere heeft een mechanisme en bijna geen cijfers.

De vergelijking is niet echt een kwestie van twee versies van hetzelfde, want MiniCPM5-2B is een algemeen redeneermodel dat ook afbeeldingen leest, terwijl G​limpse een gehoste preview voor visueel redeneren is die bijna niets anders doet. De reden om ze samen te bekijken is dat beide betogen zijn over wat kleine modellen kunnen — en de twee betogen falen op verschillende, leerzame manieren.

Het wachten, en wat het wachten opleverde

De tijdlijn van MiniCPM5-2B is het waard om te reconstrueren, want het is het deel van het verhaal dat een zoekopdracht naar de releasedatum zou missen.

Het model werd op 19 juli 2026 onthuld tijdens de World Artificial Intelligence Conference, waar de belangrijkste capaciteit een contextvenster van 512.000 tokens was. De gewichten verschenen pas op 6 september, met een changelog die op 7 september volgde. Tussen die twee data bestond het model als een demonstratie en een verzameling getallen.

Wat is uitgeleverd, is niet wat werd geadverteerd, en het verschil is controleerbaar. De vrijgegeven configuratie zet max_position_embeddings op 131.072 zonder rope_scaling-blok, wat 131.072 tokens is — een kwart van het WAIC-cijfer. Dat is niet zozeer oneerlijkheid als wel het gewone verschil tussen wat een onderzoeksteam op het podium laat zien en wat een engineeringteam bereid is goed te keuren in een configuratiebestand, maar het is het getal dat ertoe doet, want dat is het getal dat jouw deployment erft.

Wat er is uitgeleverd, is ongewoon compleet voor een model in deze grootteklasse. Naast de definitieve BF16-checkpoint — RL plus OPD samengevoegd — zijn er afzonderlijk gepubliceerde SFT-, midtrain- en basisfases, GGUF-, MLX- en GPTQ-builds voor lokale runtimes, een DSpark-conceptmodel voor speculatieve decoding, en de trainingscorpora zelf, uitgebracht als de UltraData-familie. Day-zero-ondersteuning op negen chipsets kwam via FlagOS, en de modelkaart benadrukt dat de implementatie geen aangepaste kernels en geen fork van modelcode gebruikt. Dat laatste detail is wat de rest geloofwaardig maakt: een model dat op standaardtooling draait, is een model dat draait waar jij bent, niet alleen waar het cluster van de auteurs staat.

De tijdlijn van G​limpse is in vergelijking compacter en het papieren spoor is dunner. Het werd op 16 oktober 2026 uitgebracht, één dag voor dit artikel, als een onderzoekspreview die bereikbaar is via de API en chatinterface van E​lorian met een gratis aanmelding. Geen gewichten, geen publicatie van het basismodel waarop het post-getraind is, geen artefact van welke aard dan ook. Het bedrijf kwam in april 2026 uit de stealthmodus onder leiding van Andrew Dai, een voormalig Google-onderzoeker, met $55 miljoen van Striker Ventures, Menlo Ventures en Altimeter en met deelname van NVIDIA, 49 Palms en Jeff Dean. Het model is het eerste dat het heeft uitgebracht.

De nummers, en wat elke set omvat

• Parameters — MiniCPM5-2B heeft in totaal 2.516.756.480 parameters, waarvan 1.981.982.720 niet-embedding; 42 lagen, group-query attention over 16 query-heads en 2 key-value-heads, geserveerd via een standaard LlamaForCausalLM-klasse. Het parameteraantal van Glimpse is niet gepubliceerd, en in de lanceringspost staat alleen dat het "aanzienlijk kleiner en goedkoper" is dan de frontiermodellen waartegen het benchmarkt.

• Artefact — Apache 2.0-gewichten plus SFT-, midtrain-, base-, GGUF-, MLX- en GPTQ-varianten voor MiniCPM5-2B. Geen voor Glimpse, dat een gehoste endpoint biedt en niets om te downloaden.

• Context — 131.072 tokens zoals geconfigureerd voor MiniCPM5-2B, tegenover een cijfer van 512.000 tokens dat werd aangeprezen tijdens de WAIC-demonstratie. Ongepubliceerd voor G​limpse — de zwaarwegendere leemte van de twee, aangezien het onderscheidende vermogen het lezen van video is.

• Modaliteit — afbeeldingen in, tekst uit voor MiniCPM5-2B. Video en afbeeldingen voor Glimpse, met de mogelijkheid om na een eerste doorloop terug te keren naar een interval.

• Evaluatie — De kaart van MiniCPM5-2B meldt LiveCodeBench v6 op 69,1, AIME 2025 en 2026 beide op 86,5, MATH-500 op 94,6, MMLU-Pro op 70,8, LongBench v2 op 43,7, BFCL v4 op 66,6 en SWE-bench Verified op 46,4, waarbij sommige rijen met een obelisk zijn gemarkeerd als overgenomen uit een Artificial Analysis-release in plaats van intern gemeten. De rijen van G​limpse zijn die van E​lorian zelf, afgezet tegen GPT-6 Astra, met een voetnoot die onthult dat verschillende concurrenten met minder dan de maximale denkinspanning werden gedraaid, terwijl G​limpse op zijn hoogste niveau draaide.

• Prijs — $0,60 per miljoen inputtokens en $3,00 per miljoen output voor G​limpse, waarbij de rewind als outputtokens wordt gefactureerd, dus de trace is de bon. Geen tariefkaart voor MiniCPM5-2B, omdat de deliverable een bestand is.

De bewering die zij beiden doen, en de verschillende manieren waarop die standhoudt

De centrale claim van MiniCPM5-2B is rekenkundig en controleerbaar. Een model met 2,5 miljard parameters, kaartgemiddelde 53,9, tegenover grotere open modellen waarvan het beste gemiddelde op dezelfde set 51,1 bedraagt. Dat is een claim van de vorm 'dit kleine ding verslaat dat grote ding op deze taken', en die is falsifieerbaar door iedereen met een GPU en een middag, omdat de gewichten te downloaden zijn en de tests gepubliceerd zijn.

Het mechanisme erachter wordt in drie fasen gedocumenteerd: supervised fine-tuning op ongeveer 400 miljard tokens aan deep-thinking-data, reinforcement learning met teachermodellen, en daarna on-policy-distillatie die zestien RL-experts — vijf daarvan agentisch — weer in één checkpoint samenbrengt. De interne cijfers die aan die samenvoeging hangen, zijn een winst van 10,96 punten op redeneer- en algemene taken en 6,96 op agentische taken ten opzichte van de situatie vóór de samenvoeging. Dat zijn de eigen metingen van de leverancier van zijn eigen pipeline, en het zijn het soort beweringen dat een derde partij nu kan gaan controleren, wat het doel is van het uitleveren van de tussenliggende checkpoints naast het definitieve.

De centrale bewering van Glimpse is niet rekenkundig. Het is een gedrag: dat het terugkeren naar een sub-secondevenster na een eerste doorgang betere antwoorden oplevert op temporele vragen dan bemonstering op een vast raster ooit zou kunnen. Het ondersteunende bewijs bestaat uit een reeks uitgewerkte traces en een benchmarktabel die bijna gelijkmatig uiteenvalt — voor op WGO Bench (42,70 vs 39,42), CharXiv-R (92,90 vs 92,10), UGC-VideoCap (82,66 vs 80,32) en FSC-147 (83,36 vs 82,02); achter op BabyVision (95,36 vs 97,68), DREAM-1K (76,04 vs 79,05), TOMATO (93,60 vs 96,02), Video-MME v2 (56,68 vs 64,06), CountQA (82,66 vs 86,42) en Humanity's Sixth Sense (46,36 vs 53,6).

Beide beweringen zijn plausibel. Slechts één ervan kan op dit moment door iemand buiten het bedrijf dat de bewering heeft gedaan, worden gecontroleerd.

Wat de twee onthullingen gemeen hebben

De MiniCPM5-2B-kaart heeft dolkjes bij een deel van de rijen, waarmee ze worden gemarkeerd als cijfers die afkomstig zijn uit een Artificial Analysis-release in plaats van door de auteurs te zijn gemeten. Vat dat op als een openbaarmaking, niet als een defect. Het alternatief — andermans metingen stilletjes zonder markering in je eigen tabel opnemen — komt vaak voor en is erger.

Beide modellen zijn, op basis van het beschikbare bewijs, op dezelfde specifieke manier niet geverifieerd. De tabel van G​limpse is door de leverancier uitgevoerd met de beste configuratie van de leverancier. MiniCPM5-2B heeft ook geen onafhankelijke reproductie van het gemiddelde op zijn modelkaart, ongeacht de herkomst van de afzonderlijke rijen. Op dit vlak zijn de twee releases identiek, en het is de moeite waard om dat op te merken voordat een van beide wordt behandeld als de betrouwbare helft van de vergelijking.

Het sterkere verschil is wat er daarna gebeurt. Iedereen kan MiniCPM5-2B vanmiddag downloaden en hun eigen evaluatie uitvoeren, op hun eigen data, zonder het iemand te vragen. Niemand kan dat met G​limpse. De proef is gratis en de traces zijn te inspecteren, maar de evaluatie wordt begrensd door wat E​lorian heeft gekozen te tonen, en het endpoint is de enige plek waar het model bestaat.

Waar voogdij de kwestie beslist

Dit is de dimensie waarop de twee modellen niet dicht bij elkaar liggen, en dat heeft niets met capaciteiten te maken.

De oplevering van MiniCPM5-2B is een set bestanden onder Apache 2.0, waaronder een GGUF-build en een MLX-build. Dat betekent dat het model op een laptop draait, de afbeeldingen de machine nooit verlaten, en de deployment geen leverancier in het requestpad heeft — geen beschikbaarheidsvenster, geen retentiekwestie, geen aanvraaglimiet, geen prijs die onder je voeten kan wegschuiven. Voor gereguleerd werk met beeldmateriaal, of voor alles waarbij de media geen netwerkgrens kunnen overschrijden, is dat de hele beslissing, en G​limpse is geen kandidaat, hoe goed de trace er ook uitziet.

De capaciteit van Glimpse bestaat alleen achter het endpoint van Elorian. Het onderscheidende kenmerk is de visuele kladruimte, en er is geen artefact om te verplaatsen. Dat is geen tekortkoming in het product; het is een eigenschap van een onderzoekspreview waarvan de waarde waarschijnlijk eerder in het mechanisme dan in de gewichten ligt.

Het is ook waar een routeringslaag nuttig is en waar die ophoudt nuttig te zijn. OrcaRouter geeft je één sleutel voor meer dan 200 modellen, met de lijstprijzen van de providers ongewijzigd doorgegeven en niets extra per token, zodat een lokale MiniCPM5-2B en een gehost model op één codepad kunnen zitten in plaats van op twee, met een routerings-DSL die per verzoek kiest en automatische failover die een verzoek in leven houdt wanneer een verbinding uitvalt. De gehoste helft van dat geheel staat, als de leverancier zijn prijs verlaagt, dezelfde dag nog live aan onze kant in plaats van pas bij de volgende verlenging. Wat routering niet kan, is de voogdij verplaatsen: als een endpoint niet op jouw hardware staat, zet geen enkele routeringsregel het daar neer. Noch MiniCPM5-2B noch G​limpse staat in onze catalogus — de ene is een download en de andere is E​lorians eigen API en chatinterface — dus dit beschrijft hoe wij routeren, niet een claim dat we een van beide modellen leveren.

De beslissing, met de boekhouding bijgevoegd

MiniCPM5-2B en G​limpse zijn geen concurrenten, en ze als zodanig behandelen maakt de vergelijking zinloos. De ene is een algemeen model met 2,5 miljard parameters dat je zelf kunt bezitten. De andere is een gehoste preview die één ongebruikelijk ding doet.

Er is geen gedeeld scorebord tussen deze twee, en er is geen manier om er een te bouwen. De modelkaart van MiniCPM5-2B meet programmeren, wiskunde, instructieopvolging en long-contextretrieval. De tabel van G​limpse meet video- en beeldperceptie tegenover GPT-6 Astra. Ze delen geen enkele taak, dus de enige vergelijkingen die ertoe doen, zijn die met je eigen workload. Drie vragen beslechten het sneller dan een tabel zou doen.

Moet het model op je eigen hardware draaien, of moet de licentie permissief zijn? Dan is MiniCPM5-2B hier de enige kandidaat. Download de GGUF- of MLX-build, reken op de context van 131.072 tokens die de configuratie daadwerkelijk instelt in plaats van de 512.000 die op WAIC worden getoond, en beschouw de rijen met een dagger in de kaart als verwijzingen naar de oorspronkelijke evaluatie, niet als metingen door de auteurs.

Is de faalmodus temporeel — een camerapan die voor een cut wordt aangezien, een object dat van identiteit verandert tijdens een occlusie, een gebeurtenis binnen een venster van minder dan een seconde? Dan is G​limpse de enige van de twee waarvan het genoemde mechanisme dit aanpakt. De proef is gratis, en de trace is de test: draai je eigen clips en controleer of het model ooit terugging naar het interval dat het antwoord bepaalde.

Is het werk long-context maar niet long-video — een documentenset, een archief van dossiers, een audittrail die binnen één venster moet passen? De gepubliceerde evaluatie van geen van beide modellen geeft daar uitsluitsel over. LongBench v2 op 43,7 is één getal voor een hele categorie gedrag, en het zal je niet vertellen hoe MiniCPM5-2B presteert op jouw documenten bij 120.000 tokens. Dat moet worden gemeten voordat elk van beide beslissingen veilig is.

Wat deze pagina zou veranderen: elke reproductie van de benchmarkrijen van G​limpse door iemand anders dan E​lorian, de publicatie van het aantal parameters of het contextvenster, of een MiniCPM5-checkpoint dat het gat dicht tussen de configuratie met 131.072 tokens en de demonstratie met 512.000 tokens. Niets daarvan staat op de kalender. Tot ze er zijn, kan een van deze modellen vanavond door iedereen worden getest en het andere niet — en die asymmetrie, meer dan welke benchmarkrij dan ook, is het element waar je rekening mee moet houden in je planning.

De gedocumenteerde AI-fouten en incidenten met agents achter releases zoals deze worden verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistingsmarkering bevat.