Glimpse vs LFM2.5 2.6B Base: Jeden z nich nie potrafi odpowiedzieć na pytanie

Glimpse to badawcza wersja poglądowa rozumowania wizualnego od Elorian, wydana 16 października 2026, a jej atutem jest pewne zachowanie: myśląc, potrafi wrócić do obrazu lub filmu, ponownie przeskanować 0,9-sekundowy przedział w gęstszym tempie klatek, przybliżyć jakiś region albo śledzić jedną cechę w czasie i dopiero wtedy odpowiedzieć. LFM2.5 2.6B Base to liczący 2,69 miliarda parametrów checkpoint, który Liquid AI opublikowało 4 sierpnia 2026 na licencji LFM Open License v1.0, i nie ma on w ogóle dostrajania instrukcjami — nigdy nie był trenowany, by na cokolwiek odpowiadać. Daj mu pytanie, a będzie kontynuować tekst, wiarygodnie, w rejestrze tego, co pojawiło się wcześniej. To nie defekt ani brakujące wydanie; to specyfikacja. Pierwszą więc rzeczą, jaką należy powiedzieć o tej parze, jest to, że nie jest to starcie dwóch modeli o różnej jakości. To starcie między zdolnością, którą wynajmujesz, a surowcem, który trenujesz, a jedynym faktem rozstrzygającym między nimi jest to, czy praca, którą masz, jest pytaniem, czy zbiorem danych.

Wszystko poniżej wynika z tego, w tym fakt, że tylko jeden z tych dwóch ma tabelę benchmarków — i nie jest to ten, którego czytelnik by się spodziewał.

Dwa obiekty, opisane bez marketingu

Glimpse nie ma żadnego artefaktu do pobrania. Elorian nie publikuje liczby parametrów, architektury, okna kontekstowego ani nazwy bazowego modelu o otwartych wagach, na którym — jak twierdzi — został dostrojony po treningu wstępnym. Istnieje natomiast API i interfejs czatu z darmową rejestracją, ceną 0,60 USD za milion tokenów wejściowych i 3,00 USD za milion wyjściowych oraz zestawem przykładowych śladów rozumowania pokazujących, jak model w trakcie myślenia wraca do dowodów wizualnych. Jego wizualna przestrzeń robocza — powierzchnia, na której ponownie analizuje to, co zobaczył — jest produktem.

LFM2.5 2.6B Base jest dokładną odwrotnością. To plik. Trzydzieści warstw, z których 22 to bloki krótkiej konwolucji z podwójnym bramkowaniem, a 8 to uwaga z grupowanymi zapytaniami; około 34 biliony tokenów treningowych w 16 językach; okno kontekstu o rozmiarze 131 072 tokenów; skwantyzowana wersja o rozmiarze około 1,67 GB. Jest wyłącznie tekstowy, jest gęsty i celowo nieoceniany, ponieważ ocenianie bazowego checkpointu na benchmarkach podążania za instrukcjami mierzyłoby brak dostrajania, a nie jakość substratu.

• Co otrzymujesz — Glimpse: klucz API i hostowany endpoint. LFM2.5 2.6B Base: wagi, tokenizer i licencja.

• Modalność — Glimpse: obrazy i wideo na wejściu, z reentrantnym próbkowaniem w czasie. LFM2.5 2.6B Base: tekst na wejściu, tekst na wyjściu.

• Cena — Glimpse 0,60 USD / 3,00 USD za milion tokenów, publikowane przez dostawcę. LFM2.5 2.6B Base: nic za wywołanie; sprzęt zapewniasz sam.

• Opublikowany rozmiar — nieujawniony dla Glimpse, co jest nietypowe w przypadku modelu hostowanego i samo w sobie stanowi ujawnienie. 2,69 mld gęstych parametrów dla LFM2.5 2.6B Base, każda waga widoczna w repozytorium.

• Domyślne zachowanie — Glimpse odpowiada na pytania o to, czemu się przyjrzał. LFM2.5 2.6B Base kontynuuje twój tekst, ponieważ właśnie to daje pretrening.

• Licencja — Glimpse to hostowana wersja zapoznawcza na warunkach Elorian. LFM Open License v1.0, bezpłatna poniżej 10 mln USD rocznego przychodu i wymagająca oddzielnej licencji przy tym progu lub powyżej.

Dlaczego tylko jeden z nich ma kartę wyników

To jest ten fragment, który czyta się od tyłu. Model bez wag, bez ujawnionego rozmiaru i bez niezależnej oceny publikuje dwunastowierszową tabelę benchmarków przeciwko GPT-6 Astra. Model z opublikowanymi wszystkimi wagami i w pełni udokumentowaną architekturą nie publikuje niczego.

Obie luki są racjonalne i oznaczają coś przeciwnego, więc warto je rozdzielić.

Tabela Glimpse’a jest raportowana przez dostawcę i nieodtworzona — własne liczby Eloriana, skonfrontowane z wybranymi przez niego rywalami, uzyskane przy najwyższym wysiłku myślowym modelu z jego natywnym harnessem agentowym, z przypisem ujawniającym, że kilku konkurentów uruchomiono poniżej ich maksymalnego wysiłku oraz że wiersz HSS miesza liczby podane w publikacjach z innych laboratoriów. Czytana jako twierdzenie o kierunku, jest informacyjna; czytana jako wynik, nie jest jeszcze dowodem, ponieważ nikt spoza firmy nie przeprowadził takiego testu. A tabela jest najbardziej użyteczna tam, gdzie jest niepochlebna: Glimpse uzyskuje 46,36 w Humanity's Sixth Sense w zestawieniu z 53,6 Astry, w benchmarku, który sam Elorian zbudował ze Scale AI. Rewind zapewnia percepcję — liczenie, czytanie wykresów, śledzenie obiektu w ruchu — ale nie zapewnia wnioskowania o tym, co wynika ze sceny.

Puste pole dla LFM2.5 2.6B Base jest innego rodzaju. Nie ma czego oceniać. Bazowy checkpoint nie ma zachowania; ma rozkład. Liquid AI benchmarkuje zamiast tego siostrzany model z rodziny poddany post-trainingowi, co jest właściwą decyzją inżynierską i mówi dokładnie zero o tym, czy substrat będzie odpowiedni do Twojego zadania.

Ta asymetria ma praktyczną konsekwencję. W przypadku Glimpse pytanie ewaluacyjne brzmi: „czy twierdzenie dostawcy przetrwa mój klip”. W przypadku LFM2.5 2.6B Base pytanie ewaluacyjne brzmi: „czy mogę wytrenować to w coś, co działa” — a na to drugie pytanie możesz już dziś odpowiedzieć sam, za cenę jednego pobrania. Wersja 1,67 GB zmieści się na laptopie; cała robota polega na pętli treningowej.

Jednostki się nie przeliczają, więc przelicz je ręcznie.

Cena za token i darmowe pobranie nie mogą być porównywane bezpośrednio — i tu właśnie większość tego typu porównań po cichu oszukuje. Uczciwym sposobem jest wybrać zadanie i wycenić obie ścieżki.

Weź wąskie, wysokowolumenowe zadanie, w którym mały fine-tune jest naprawdę dobry: odczytywanie ustalonego typu dokumentu i generowanie ustrukturyzowanego JSON-a, 50 milionów tokenów miesięcznie, mniej więcej połowa na wejściu i połowa na wyjściu. W Glimpse to około 90 dolarów miesięcznie — 15 dolarów za wejście po 0,60 dolara za milion, 75 dolarów za wyjście po 3,00 dolary — plus czas pracy inżynierów na przygotowanie promptów i walidację. W LFM2.5 2.6B Base wnioskowanie jest darmowe, a rachunek przenosi się w całości na początek: zebranie kilku tysięcy oznaczonych przykładów, jeden przebieg treningu na własnej karcie, zbiór ewaluacyjny i ponowne uruchomienie za każdym razem, gdy zmieni się format dokumentu.

Z tego rachunku wynikają dwie rzeczy, które łatwo przeoczyć.

Po pierwsze, dostrajanie okazuje się korzystniejsze kosztowo tylko powyżej pewnego progu wolumenu, a próg ten wyznacza to, ile pracy inżynieryjnej jest w stanie udźwignąć twój zespół, a nie cokolwiek, co publikuje Liquid AI. Zespół bez zdolności do prowadzenia treningu nie ma w ogóle punktu rentowności po tej stronie porównania, co jest faktem rzeczywistym i często rozstrzygającym.

Drugi powód jest taki, że własne twierdzenia cenowe Glimpse są wycelowane zupełnie gdzie indziej. Elorian przedstawia $0.60/$3.00 jako 94% poniżej GPT-6 Astra przy $10/$50 i 85% poniżej Claude Opus 5.5 przy $4/$20. Na tle flagowych modeli frontier Glimpse jest tani. Na tle segmentu małych modeli — checkpointu 2.6B, który posiadasz, albo ścieżki wolumenowej takiej jak Qwen3.8-Flash od Alibaba w cenie $0.15/$0.47 — wypada po droższej stronie porównania, a artykuł obok tego, o Qwen 3.8, rozlicza to na podstawie rzeczywistych cenników. Twierdzenie sprzedawcy o rabacie jest zawsze względne wobec zestawu porównawczego, który sprzedawca wybrał.

Jak faktycznie uruchomiłbyś test

Powyższe porównanie ma jakąkolwiek wartość tylko wtedy, gdy jest tanie w przeprowadzeniu, a praktyczna przeszkoda polega na tym, że obie strony funkcjonują w różnych systemach: hostowany endpoint z jednym kluczem oraz pętla treningowa, która kończy się modelem, który trzeba gdzieś serwować. Przekształcenie tego w test A/B na własnym obciążeniu to miejsce, w którym warstwa routingu znajduje swoje uzasadnienie, i argument jest ten sam niezależnie od tego, czy porównujesz dostrojony model z API, czy dwa API ze sobą.

OrcaRouter umieszcza punkt końcowy tekstowy i każdy opublikowany model obok siebie za jednym kluczem — ponad 200 modeli, cena katalogowa dostawcy przekazywana bez doliczania niczego za token, jeden rachunek i automatyczne przełączanie awaryjne, dzięki któremu zły dzień dostawcy nie staje się złym dniem twojej ewaluacji. W tym katalogu nie ma ani Glimpse, ani LFM2.5 2.6B Base, ani żadnego wariantu LFM2.5: Glimpse pochodzi z własnego API i interfejsu czatu Eloriana, a checkpoint Liquid pochodzi od Liquid AI — oba uzyskujesz bezpośrednio. To, co zmienia warstwa routingu, to grupa kontrolna. Kiedy pytanie brzmi: „czy mój fine-tune jest faktycznie lepszy niż samo wywołanie czegoś”, chcesz, aby to „coś” było zmianą konfiguracji, a nie cyklem zakupowym, ponieważ eksperyment, który możesz przeprowadzić dziś po południu, jest jedynym, który daje liczbę.

Tam, gdzie fine-tuning nie może cię doprowadzić, niezależnie od rozmiaru.

To jest ta część porównania, która nie sprowadza się do kwestii kosztów, i to jest powód, dla którego te dwa elementy nie są substytutami w żadnym kierunku.

Zdolność Glimpse ma charakter czasowy i wizualny. Tożsamość obiektu w poprzek cięcia, zdarzenie w oknie subsekundowym, liczba, która zmienia się, gdy coś zasłania — mechanizm przewijania wstecz rozwiązuje takie przypadki wprost, a ślady pokazują, czy model rzeczywiście ponownie przeskanował interwał, który się liczył. Żadna ilość fine-tuningu tekstowego checkpointu 2.69B nie wytworzy takiego zachowania, ponieważ substrat nie ma wejścia wideo ani mechanizmu przeznaczania dodatkowej mocy obliczeniowej na konkretny interwał po pierwszym przejściu. Nie można treningiem dojść do architektury, której się nie zbudowało.

Odwrotna teza jest równie mocno uzasadniona. Hostowanej wersji zapoznawczej, której liczba parametrów, okno kontekstowe i model bazowy są nieujawnione, nie można wdrożyć w regulowanym produkcie, uruchomić w środowisku odizolowanym od sieci ani zagwarantować jej dostępności. A cennik wersji badawczej może zmieniać się w dowolnym momencie, co jest w porządku w przypadku testu, ale kłopotliwe dla modelu kosztów.

Uczciwe podsumowanie nie polega więc na tym, że jedno jest lepsze. Polega ono na tym, że zespół z zadaniem tekstowym i zbiorem danych powinien przyglądać się checkpointowi, zespół z czasowym pytaniem wizualnym powinien przyglądać się preview, a zespół, który nie ma ani jednego, ani drugiego, nie ma jeszcze powodu, by je porównywać.

Trzy warunki i co z każdego z nich wynika

Jeśli Twoje zadanie jest wąskie, dotyczy tylko tekstu i masz — lub możesz kupić — kilka tysięcy oznaczonych przykładów, LFM2.5 2.6B Base jest cenniejszym obiektem, ponieważ ostatecznie posiadasz artefakt i płacisz za prąd zamiast za tokeny. Najpierw pobierz kompilację o rozmiarze 1,67 GB i upewnij się, że działa na Twoim sprzęcie, zanim cokolwiek wokół tego zaplanujesz. Ten krok kosztuje jedno popołudnie.

Jeśli twój tryb awarii jest czasowy — model spojrzał, ale nie przyjrzał się wystarczająco dokładnie — Glimpse to pierwszy hostowany model, którego deklarowany mechanizm jest wymierzony bezpośrednio w to, a darmowa rejestracja sprawia, że test jest tani. Uruchom własny klip, a następnie przejrzyj przestrzeń roboczą: jeśli nigdy nie przeskanował ponownie przedziału, który przesądził o odpowiedzi, dowiedziałeś się czegoś o swoim pipeline, a nie tylko o modelu.

Jeśli jeszcze nie wiesz, którym z tych dwóch jesteś, kolejność działań jest ustalona: najpierw uruchom model hostowany, ponieważ odpowiada w ciągu popołudnia na to, na co projekt dostrajania odpowiada w ciągu miesiąca. Substrat pozostaje dostępny. W następnym kwartale nadal będzie to plik do pobrania o rozmiarze 1,67 GB, a jedyną rzeczą, jaką wydasz, będzie czas, który w przeciwnym razie spędziłbyś na składaniu zestawu danych do zadania, które mogłoby obsłużyć jedno wywołanie API.

Nic z tego nie jest hipotetyczne: udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami jak to są zebrane w the OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, stopień ważności, ocenę pewności i oznaczenie sporne.