Glimpse vs Kolibri: Duas maneiras de comprar mais computação por token

E​lorian G​limpse e K​olibri são duas respostas à mesma questão econômica — como obter mais capacidade por unidade de computação — e ficam em extremos opostos dela. O G​limpse, lançado pela E​lorian em 16 de outubro de 2026, obtém sua capacidade no momento da inferência: ele faz uma primeira passagem por um clipe a cerca de 8 quadros por segundo, depois gasta computação extra reanalisando nove décimos de segundo escolhidos a cerca de 14 quadros por segundo antes de responder. O K​olibri, lançado pela A​leph Alpha em 3 de outubro de 2026, obtém sua capacidade no momento da arquitetura: 78,1 bilhões de parâmetros totais, dos quais apenas cerca de 3,46 bilhões estão ativos por token, então quase todo parâmetro no modelo é um que você nunca paga para avaliar.

Os dois não são intercambiáveis, e a razão não é a qualidade. Um é uma prévia hospedada sem pesos, sem contagem de parâmetros publicada e sem janela de contexto publicada. O outro é um download do Apache 2.0 cujo cartão do modelo nomeia sua contagem de especialistas, seu cronograma de atenção, seus formatos numéricos, a cobertura linguística do seu tokenizador e a conta de eletricidade exata de sua execução de treinamento. Compará-los é, na verdade, uma comparação de duas estratégias, e a pergunta interessante é qual estratégia sobrevive ao contato com sua carga de trabalho.

Uma proporção de 22 para 1 contra uma proporção que ninguém publicou

K​olibri é um modelo esparso de mistura de especialistas, e a esparsidade é extrema até mesmo pelos padrões atuais. Cinquenta camadas, todas elas uma mistura de especialistas, 384 especialistas por camada, dos quais um é compartilhado e seis são roteados. Isso resulta numa proporção total-para-ativo de aproximadamente 22,6 para 1 — um modelo que carrega 78 bilhões de parâmetros, mas avalia cerca de 3,5 bilhões deles em qualquer token dado. A​leph Alpha alterna isso num padrão de 4 para 1 com blocos de atenção de consulta em grupo, e é isso que mantém o contexto nativo de 262.144 tokens viável: um caminho de um milhão de tokens é validado, e o cache KV é mantido em FP8 para que a extremidade longa dessa janela caiba na memória em vez de numa planilha.

As escolhas de formato numérico são divulgadas num grau invulgar. Os pesos são FP8 em blocos de 128 por 128. A cache KV é FP8. Os embeddings, a cabeça do modelo de linguagem, as camadas de normalização e o router permanecem em bfloat16 — as partes onde os danos da quantização se manifestariam nas decisões de routing em vez de nas perdas. Quatro níveis de esforço são expostos. A chamada de ferramentas segue o formato Hermes com um parser vLLM, o que significa que se encaixa numa stack de agentes existente em vez de exigir uma integração à medida.

G​limpse não publica nada disso. Nenhuma contagem de parâmetros. Nenhuma estrutura de especialistas digna de menção, nenhuma janela de contexto, nenhum esquema de quantização, nenhum modelo base nomeado — apenas a frase "pós-treinado em um modelo base de pesos abertos", que não diz qual. O que ele publica, em vez disso, é o traço: uma primeira passagem a cerca de 8 quadros por segundo, uma leitura provisória, um retorno a 0,9 segundos do clipe a cerca de 14 quadros por segundo e, em um segundo exemplo, uma borda de janela rastreada a partir de cerca de 2,2 segundos de um clipe até quase parar aos 5,13 segundos.

Ambas são divulgações sobre computação. A da Kolibri é uma declaração sobre para onde vai a computação quando o modelo é carregado. A da Glimpse é uma declaração sobre para onde vai a computação enquanto o modelo pensa. Apenas uma delas vem com um número.

As planilhas publicadas, lado a lado

• Tamanho — K​olibri: 78.103.074.560 parâmetros totais, 3.457.573.120 ativos. G​limpse: não publicado, com "substancialmente menor e mais barato do que os sistemas de ponta com os quais é comparado" como a única declaração de tamanho que E​lorian faz.

• Acesso — pesos Apache 2.0 para K​olibri, disponíveis para download e auto-hospedagem. Nenhum para G​limpse, que é apenas API e chat com inscrição gratuita.

• Contexto — 262 144 tokens nativos para o Kolibri, com 1 048 576 validados. Não publicado para o Glimpse, que é a lacuna mais desconfortável, porque a sua principal capacidade é a leitura de vídeo.

• Idiomas — alemão e inglês para o K​olibri, que a A​leph Alpha apresenta como uma decisão de design, e não como uma limitação. A G​limpse não publica nenhuma cobertura de idiomas.

• Preço — US$ 0,60 por milhão de tokens de entrada e US$ 3,00 por milhão de tokens de saída para o G​limpse — e o mecanismo significa que é nos tokens de saída que a nova varredura aparece, então o rastro é o comprovante. O K​olibri não tem tabela de preços, porque o custo é o hardware.

• Avaliação independente — efetivamente nenhuma para qualquer um dos dois. Nenhum dos dois tem um arcabouço de terceiros que reproduza seus números, e ambos os conjuntos de números publicados são do próprio fornecedor.

A execução de treinamento que a Aleph Alpha publicou na íntegra

Este é o ponto em que o K​olibri se distancia de quase todos os lançamentos do ano, e vale a pena examinar, porque isso mostra quanto custou construir a esparsidade.

O corpus de pré-treinamento tinha 20 trilhões de tokens, divididos aproximadamente em 62,5% de inglês, 23,9% de alemão e 13,6% de código. O treinamento intermediário adicionou mais 3,44 trilhões, e uma etapa de contexto longo contribuiu com 201 bilhões. A execução usou 768 aceleradores N​VIDIA B200 em 96 nós HGX, levou 21 dias e 511 horas de tempo real, e consumiu cerca de 392.000 horas de GPU — 6,4×10²³ operações de ponto flutuante, com um orçamento de energia de aproximadamente 9,5×10² megawatts-hora.

Esses números são o preço honesto de um modelo com 3,46 bilhões de parâmetros ativos que se comporta como algo muito maior. Eles também são irrepetíveis para qualquer pessoa fora de um laboratório bem financiado, e é precisamente esse o argumento a favor de pesos abertos: o custo de treinamento é pago uma única vez pela empresa que publica o card, e todos a jusante recebem o artefato pelo preço do download.

O predecessor é instrutivo. O K​olibri Origin tinha 30,6 bilhões de parâmetros, com 3,27 bilhões ativos, um contexto de 65.536 tokens e 7,51 trilhões de tokens de treinamento — e nunca foi lançado. O modelo publicado não é uma primeira tentativa; é a segunda, e a diferença entre eles é aproximadamente a diferença entre um protótipo e um produto.

Não existe nada comparável para G​limpse. E​lorian diz apenas que o modelo foi pós-treinado por uma equipe pequena com algumas centenas de GPUs. Não há modelo base nomeado, nem contagem de tokens, nem descrição dos dados, nem divulgação de recursos computacionais. Essa é uma diferença legítima entre publicar um checkpoint e disponibilizar um endpoint — você divulga o que entrega —, mas significa que os dois lançamentos não podem ser comparados em termos econômicos além da tabela de preços, porque apenas um deles publicou seus custos.

A célula vazia de contagem de parâmetros

Aqui está a armadilha desta comparação, e ela joga a favor da Glimpse.

É fácil ler os 3,46 bilhões de parâmetros ativos da K​olibri e concluir que a G​limpse — hospedada, barata por token, voltada para uma capacidade restrita — deve ser pequena, ou deve ser barata de executar, ou deve ser um fine-tune de algo modesto. Nada disso se segue. O número de parâmetros da G​limpse nunca foi publicado. Sua janela de contexto nunca foi publicada. Seu modelo base nunca foi nomeado. A única alegação de tamanho no post de lançamento é comparativa e não quantificada. Onde o comportamento não revela o tamanho, e o comportamento deste modelo é um cronograma de amostragem em vez de uma arquitetura, o número de parâmetros poderia ser quase qualquer coisa e nada publicado o contradiria.

Portanto, a célula da contagem de parâmetros permanece vazia, e qualquer número que alguém cite para o tamanho do Glimpse neste mês é uma estimativa disfarçada de especificação. O mesmo vale, aliás, na direção oposta: a proporção de 22,6 para 1 do Kolibri não informa o custo de inferência no seu hardware, porque pesos FP8 em blocos de 128 por 128 precisam de suporte específico de acelerador para representarem um ganho em vez de uma etapa de conversão.

Em que cada estratégia falha

A restrição do K​olibri é a cobertura de idiomas, e isso é deliberado. Alemão e inglês, nada mais. Para uma empresa europeia com tráfego em alemão, isso é uma vantagem — a mistura de treinamento é ponderada para um idioma que a maioria dos modelos abertos trata como um erro de arredondamento. Para qualquer outra pessoa, é um não absoluto, e nenhum tamanho de janela de contexto compensa.

Sua segunda restrição é a aritmética de contexto longo. Um caminho de um milhão de tokens é validado, o que é genuinamente grande. Mas um caminho validado não é o mesmo que um sem degradação; nessas extensões, a acurácia de recuperação de quase todo modelo cai muito antes de a janela terminar, e nenhuma avaliação publicada diz onde a curva do K​olibri se curva. Trate a janela como capacidade que você pode alocar, e não como acurácia que você pode presumir.

A restrição do G​limpse tem a forma oposta: uma capacidade estreita sem nada ao redor. Se a pergunta é o que aconteceu dentro de uma fração de segundo de filmagem, o G​limpse mira diretamente nisso. Se a pergunta é o que uma cena implica em vez do que ela afirma, o rebobinar não ajuda — no Humanity's Sixth Sense, o benchmark que a E​lorian publicou com a Scale AI nove dias antes do lançamento do modelo, o G​limpse pontua 46,36 contra 53,6 do GPT-6 Astra, e a própria análise de falhas do benchmark atribui 94% dos erros rotulados à visão e à inferência, e não ao raciocínio. Ver mais não é entender mais, e a própria tabela do fornecedor é a prova.

Há também uma classe de problema que nenhum dos dois aborda: aquela em que a resposta precisa ser um limiar. O G​limpse escreve prosa. O K​olibri lê e escreve. Nenhum deles foi criado para retornar um número calibrado por opção e, se é disso que o pipeline precisa, o instrumento é um modelo de formato completamente diferente.

Onde uma camada de roteamento merece seu lugar — e onde não merece.

Os dois modelos ficam em lados opostos de uma fronteira que o roteamento pode mover e de outra que ele não pode.

A fronteira que ele desloca é o custo e a resiliência de misturar vias. Uma equipe que executa o K​olibri em seus próprios aceleradores para tráfego em alemão e um modelo hospedado para todo o resto tem dois caminhos de código, dois modos de falha e dois conjuntos de credenciais. O OrcaRouter reduz isso a uma única chave diante de mais de 200 modelos, com uma DSL de roteamento que decide qual solicitação vai para qual via e failover automático que mantém uma solicitação ativa quando a via auto-hospedada está saturada ou fora do ar. Os preços de tabela dos provedores são repassados sem nenhum acréscimo por token, então a metade hospedada dessa mistura custa o que seu fornecedor cobra e acompanha o preço desse fornecedor no dia em que ele mudar.

A fronteira que ele não move é a custódia, e aqui K​olibri tem uma vantagem que nenhuma camada de roteamento pode fabricar. Seus pesos podem ser baixados. Se o corpus não pode sair do edifício, um checkpoint Apache 2.0 é o único destes dois que roda onde os dados vivem, e nenhuma avaliação de qualquer um dos dois modelos muda isso. Nem um nem outro modelo está em nosso catálogo — K​olibri é um download e G​limpse é a API e a interface de chat da própria E​lorian —, portanto isto é uma declaração sobre como roteamos, não uma alegação de servi-los.

Como decidir sem uma referência compartilhada

Não existe um placar que classifique esses dois, e não é porque um deles seja novo. A tabela da Elorian mede a percepção de vídeo e imagem em comparação com o GPT-6 Astra; o cartão da Aleph Alpha mede o conjunto acadêmico habitual mais a recuperação de contexto longo. Eles não compartilham nenhuma tarefa, então a única comparação que importa é com a sua própria carga de trabalho.

Três perguntas resolvem isso mais rápido do que qualquer tabela.

Os dados precisam permanecer em hardware que você controla? Se sim, K​olibri é o único candidato aqui, a licença é Apache 2.0, e a cobertura de alemão-inglês ou se adequa à sua implantação ou o descarta imediatamente.

O modo de falha é temporal — identidade de objeto durante uma oclusão, um pan versus um corte, um evento dentro de uma janela de menos de um segundo? Se sim, o Glimpse é o único dos dois modelos cujo mecanismo declarado aborda isso, o cadastro gratuito torna o teste barato, e o traço te diz mais do que a pontuação: rode seus próprios clipes e verifique se o modelo alguma vez voltou ao intervalo que decidiu a resposta.

A carga de trabalho é de contexto longo, mas não de vídeo longo — um corpus de documentos, um conjunto de documentos protocolados, uma trilha de auditoria? Se sim, a janela nativa de 262.144 tokens do K​olibri, com um caminho validado para um milhão de tokens, é o número relevante, e nenhuma avaliação publicada dos modelos resolve se ele sobrevive à curva de degradação nesses comprimentos. Isso precisa ser medido, nos seus dados, antes que qualquer uma das duas decisões seja segura.

As falhas documentadas de IA e os incidentes com agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.