Glimpse vs LFM2.5 2.6B Base: Um destes não consegue responder a uma pergunta

Glimpse é a prévia de pesquisa de raciocínio visual da Elorian, lançada em 16 de outubro de 2026, e seu principal argumento de venda é um comportamento: enquanto pensa, ele pode voltar à imagem ou ao vídeo, reescanear um intervalo de 0,9 segundo a uma taxa de quadros mais densa, ampliar uma região ou rastrear uma característica ao longo do tempo, e só então responder. LFM2.5 2.6B Base é um checkpoint de 2,69 bilhões de parâmetros que a Liquid AI publicou em 4 de agosto de 2026 sob a LFM Open License v1.0, e não tem nenhum ajuste de instrução — ele nunca foi treinado para responder a nada. Faça uma pergunta a ele e ele continua o texto, de forma plausível, no registro de qualquer coisa que tenha vindo antes. Isso não é um defeito nem um lançamento ausente; é a especificação. Então, a primeira coisa a dizer sobre esse pareamento é que ele não é um confronto entre dois modelos de qualidade diferente. É um confronto entre uma capacidade que você aluga e uma matéria-prima que você treina, e o único fato que decide entre eles é se o trabalho que você tem é uma pergunta ou um conjunto de dados.

Tudo o que se segue decorre disso, incluindo o facto de que apenas um destes dois tem uma tabela de benchmark — e não é o que um leitor adivinharia.

Dois objetos, descritos sem o marketing

O Glimpse não tem artefato baixável. A Elorian não publica contagem de parâmetros, arquitetura, janela de contexto nem nome para o modelo base de pesos abertos no qual diz ter sido pós-treinado. O que existe é uma API e uma interface de chat com cadastro gratuito, preço de US$ 0,60 por milhão de tokens de entrada e US$ 3,00 por milhão de tokens de saída, além de um conjunto de traços detalhados que mostram o modelo revisitando evidências visuais no meio do raciocínio. Seu espaço de rascunho visual — a superfície onde ele reexamina o que viu — é o produto.

LFM2.5 2.6B Base é o inverso exato. É um arquivo. Trinta camadas, das quais 22 são blocos de convolução curta com portão duplo e 8 são atenção de consulta agrupada; cerca de 34 trilhões de tokens de treinamento em 16 idiomas; uma janela de contexto de 131.072 tokens; uma versão quantizada de cerca de 1,67 GB. É somente texto, é denso e é deliberadamente sem pontuação, porque pontuar um checkpoint base em benchmarks de seguimento de instruções mediria a ausência de ajuste fino, e não a qualidade do substrato.

• O que você recebe — Glimpse: uma chave de API e um endpoint hospedado. LFM2.5 2.6B Base: pesos, um tokenizador e uma licença.

• Modalidade — Glimpse: imagens e vídeo na entrada, com amostragem reentrante ao longo do tempo. LFM2.5 2.6B Base: texto na entrada, texto na saída.

• Preço — Glimpse US$ 0,60 / US$ 3,00 por milhão de tokens, publicado pelo fornecedor. LFM2.5 2.6B Base: nada por chamada; você fornece o hardware.

• Tamanho publicado — não divulgado para o Glimpse, o que é incomum para um modelo hospedado e é, por si só, a divulgação. 2,69B denso para o LFM2.5 2.6B Base, todos os pesos visíveis no repositório.

• Comportamento pronto a usar — Glimpse responde a perguntas sobre aquilo que observou. LFM2.5 2.6B Base continua o seu texto, porque é isso que o pré-treinamento produz.

• Licença — O Glimpse é uma prévia hospedada sob os termos da Elorian. LFM Open License v1.0, gratuita para receita anual abaixo de US$ 10 milhões e exigindo uma licença separada a partir desse limite.

Por que apenas um destes tem um cartão de pontuação?

Esta é a parte que soa ao contrário. O modelo sem pesos, sem tamanho divulgado e sem avaliação independente publica uma tabela de benchmark com doze linhas contra o GPT-6 Astra. O modelo com todos os pesos publicados e uma arquitetura totalmente documentada não publica nada.

Ambas as lacunas são racionais e significam coisas opostas, por isso vale a pena separá-las.

A tabela da Glimpse é relatada pelo fornecedor e não reproduzida — os próprios números da Elorian, contra a sua própria escolha de rivais, executados no esforço de raciocínio máximo do modelo com o seu harness de agente nativo, com uma nota de rodapé que revela que vários concorrentes foram executados abaixo do seu esforço máximo e que a linha HSS mistura números relatados em papers de outros laboratórios. Lida como uma afirmação sobre direção, é informativa; lida como uma pontuação, ainda não é evidência, porque ninguém fora da empresa a executou. E a tabela é mais útil justamente onde é pouco lisonjeira: a Glimpse pontua 46,36 no Humanity's Sixth Sense, contra 53,6 da Astra, num benchmark que a própria Elorian criou com a Scale AI. O rewind compra perceção — contar, ler gráficos, acompanhar um objeto em movimento — e não compra inferência sobre o que uma cena implica.

A lacuna do LFM2.5 2.6B Base é de natureza diferente. Não há nada para pontuar. Um checkpoint base não tem comportamento; tem uma distribuição. A Liquid AI, em vez disso, faz benchmark do irmão pós-treinado da família, o que é a decisão de engenharia correta e não diz precisamente nada sobre se o substrato será adequado à sua tarefa.

Essa assimetria tem uma consequência prática. Para o Glimpse, a pergunta de avaliação é “a alegação do fornecedor sobreviverá ao meu clipe?”. Para o LFM2.5 2.6B Base, a pergunta de avaliação é “consigo treinar isto até virar algo que funcione?” — e a segunda pergunta é respondível hoje, por você, pelo preço de um download. A build de 1,67 GB cabe em um laptop; o loop de treinamento é o trabalho.

As unidades não se convertem, então converta-as manualmente.

Um preço por token e um download gratuito não podem ser comparados diretamente, e é aí que a maioria das comparações desse tipo trapaceia silenciosamente. A maneira honesta é escolher uma tarefa e precificar as duas rotas.

Pegue uma tarefa restrita e de alto volume que um pequeno ajuste fino faz genuinamente bem: ler um tipo fixo de documento e emitir JSON estruturado, processar 50 milhões de tokens por mês, aproximadamente metade de entrada e metade de saída. No Glimpse, isso custa cerca de US$ 90 por mês — US$ 15 de entrada a US$ 0,60 por milhão de tokens, US$ 75 de saída a US$ 3,00 — além do tempo de engenharia para elaborar o prompt e validá-lo. No LFM2.5 2.6B Base, a inferência é gratuita, e a conta se desloca inteiramente para o início: reunir alguns milhares de exemplos rotulados, uma execução de treinamento na sua própria placa, um conjunto de avaliação e uma nova execução toda vez que o formato do documento mudar.

Duas coisas decorrem dessa aritmética que são fáceis de passar despercebidas.

O primeiro é que o ajuste fino só vence em custo acima de um limiar de volume, e o limiar é definido pela quantidade de engenharia que sua equipe consegue absorver, e não por qualquer coisa que a Liquid AI publique. Uma equipe sem capacidade de treinamento não tem ponto de equilíbrio nenhum desse lado da comparação, o que é um fato real e frequentemente decisivo.

A segunda é que as próprias alegações de preço da Glimpse apontam para um alvo completamente diferente. A Elorian enquadra US$ 0,60/US$ 3,00 como 94% abaixo do GPT-6 Astra a US$ 10/US$ 50 e 85% abaixo do Claude Opus 5.5 a US$ 4/US$ 20. Em comparação com os principais modelos de fronteira, a Glimpse é barata. Em comparação com o segmento de modelos pequenos — um checkpoint de 2,6B que você mesmo possui, ou uma via de grande volume como o Qwen3.8-Flash da Alibaba a US$ 0,15/US$ 0,47 — ela fica no lado caro da comparação, e o artigo ao lado deste sobre o Qwen 3.8 faz esse cálculo com as tabelas de preços reais. A alegação de desconto de um fornecedor é sempre relativa ao conjunto de comparação que o fornecedor escolheu.

Como você realmente executaria o teste

A comparação acima só vale alguma coisa se for barata de executar, e o obstáculo prático é que os dois lados vivem em sistemas diferentes: um endpoint hospedado com uma única chave, e um loop de treinamento que termina em um modelo que você precisa servir em algum lugar. Transformar isso em um teste A/B na sua própria carga de trabalho é onde uma camada de roteamento ganha seu lugar, e o argumento é o mesmo, seja comparando um fine-tune com uma API ou duas APIs entre si.

O OrcaRouter coloca um endpoint de texto e todos os modelos publicados lado a lado por trás de uma única chave — mais de 200 modelos, preço de lista do provedor repassado sem nenhum acréscimo por token, uma única fatura, e failover automático para que uma tarde ruim de um provedor não se torne a tarde ruim da sua avaliação. Nem Glimpse nem LFM2.5 2.6B Base estão nesse catálogo, e nenhuma variante do LFM2.5 está: Glimpse vem da própria API e interface de chat da Elorian, e o checkpoint Liquid vem da Liquid AI, ambos itens que você obtém diretamente. O que a camada de roteamento muda é o grupo de controle. Quando a pergunta é "meu fine-tune é realmente melhor do que apenas chamar alguma coisa?", você quer que essa alguma coisa seja uma mudança de configuração em vez de um ciclo de aquisição, porque o experimento que você pode rodar hoje à tarde é o único que produz um número.

Onde o ajuste fino não consegue chegar, em qualquer escala

Esta é a parte da comparação que não se reduz a uma questão de custo, e é por isso que esses dois não são substitutos em nenhuma direção.

A capacidade do Glimpse é temporal e visual. A identidade de objetos através de um corte, um evento dentro de uma janela de menos de um segundo, uma contagem que muda quando algo é ocluído — um mecanismo de rebobinamento aborda esses casos diretamente, e os rastros mostram se o modelo realmente reexaminou o intervalo que importava. Nenhum ajuste fino de um checkpoint de 2,69B apenas de texto, por mais extenso que seja, produz esse comportamento, porque o substrato não tem entrada de vídeo nem mecanismo para gastar computação extra em um intervalo específico após uma primeira passagem. Você não consegue chegar por treinamento a uma arquitetura que não construiu.

O inverso também se sustenta com a mesma força. Uma prévia hospedada cujo número de parâmetros, janela de contexto e modelo base não são divulgados não é algo que se possa incluir em um produto regulamentado, executar em ambiente isolado (air-gapped) ou ter a disponibilidade garantida. E a tabela de preços de uma prévia de pesquisa pode mudar a qualquer momento, o que é aceitável para um teste e complicado para um modelo de custos.

Então, o resumo honesto não é que um seja melhor. É que uma equipe com uma tarefa de texto e um conjunto de dados deveria estar olhando para o checkpoint, uma equipe com uma questão visual temporal deveria estar olhando para a prévia, e uma equipe que não tem nenhum dos dois não tem motivo para compará-los ainda.

Três condições, e o que cada uma implica

Se a sua tarefa for restrita, apenas texto, e você tiver — ou puder comprar — alguns milhares de exemplos rotulados, o LFM2.5 2.6B Base é o objeto mais valioso, porque você acaba ficando com o artefato e pagando eletricidade em vez de tokens. Baixe primeiro a versão de 1,67 GB e confirme que a coisa funciona no seu hardware antes de fazer qualquer plano em torno dela. Essa etapa custa uma tarde.

Se o seu modo de falha é temporal — o modelo olhou, mas não olhou com atenção suficiente —, o Glimpse é o primeiro modelo hospedado cujo mecanismo declarado visa diretamente isso, e o cadastro gratuito torna o teste barato. Rode seu próprio clipe e depois leia o espaço de rascunho: se ele nunca reexaminou o intervalo que decidiu a resposta, você aprendeu algo sobre seu pipeline, e não apenas sobre o modelo.

Se você ainda não sabe qual dos dois é o seu caso, a ordem das operações já está definida: execute primeiro o modelo hospedado, porque ele responde em uma tarde o que um projeto de ajuste fino responde em um mês. O substrato permanece disponível. Ainda será um download de 1,67 GB no próximo trimestre, e a única coisa que você terá gasto é o tempo que você teria gasto, de outra forma, montando um conjunto de dados para uma tarefa que uma chamada de API poderia ter coberto.

Nada disso é hipotético: as falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos no Arquivo de Incidentes de IA da OrcaRouter, onde cada entrada traz as suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.