Glimpse vs Gemma 4 12B: En återspolningsmekanism mot en nedladdning

Dessa två jämförs med varandra mest för att båda beskrivs som visionsmodeller, och den beskrivningen gör nästan inget arbete. Glimpse, släppt av Elorian den 16 oktober 2026, är en hostad forskningsförhandsvisning vars utmärkande beteende är att den kan gå tillbaka och titta igen — skanna om en del av ett klipp med tätare bildfrekvens, zooma in i ett område eller spåra en egenskap över tid — och den är endast åtkomlig via leverantörens API och chattgränssnitt. G​emma 4 12B är en tät checkpoint med öppna vikter och 11,95 miljarder parametrar från G​oogle DeepMind, utgiven den 3 juni 2026 under Apache 2.0, som du laddar ner och kör på din egen hårdvara och som besvarar samma fråga på motsatt sätt: den är en fast artefakt med ett fast schema för bildrutesampling, och hur mycket man än tittar på den kommer den inte att spola tillbaka.

Så den ärliga inramningen är inte ”vilken som är bättre på vision”. Det är att en av dessa är en förmåga du hyr och den andra är en fil du äger, och valet mellan dem avgörs av fakta som inte har något att göra med benchmark-rader.

Skillnaden som faktiskt avgör det

Börja med vad var och en är fysiskt. Gemma 4 12B är en uppsättning vikter. Den instruktionstrimmade checkpointen på Hugging Face är en enda safetensors-fil på 23,92 GB i bfloat16; Googles egna byggen med kvantiseringsmedveten träning ligger på runt 6,98 GB för vikterna plus en multimodal projektionsfil på 0,18 GB, och ett Q4_K_M-bygge från communityn landar nära 7,1 GB. Du kan hålla den, finjustera den, kvantisera den ytterligare, skeppa den inuti en produkt och köra den utan nätverk och utan mätare. Det är hela erbjudandet.

Glimpse är en motsatt typ av objekt. Det finns inga vikter. Det finns inget parameterantal, ingen nedladdningsbar artefakt och ingen publicerad arkitektur utöver påståendet att den eftertränats på en "basmodell med öppna vikter" som Elorian inte namnger. Det som finns är ett API, ett chattgränssnitt på platform.elorian.ai med gratis registrering, och ett publicerat beteende: modellens visuella skissutrymme, där den återvänder till och förfinar interna visuella representationer i takt med att tänkandet utvecklas.

Den asymmetrin är det första man bör ta med i beräkningen, och den skär åt båda hållen. En nedladdningsbar checkpoint kan inte avvecklas under fötterna på dig, kan inte ändra beteende bakom en versionssträng och kan inte fallera klockan 3 på natten för att någon annans us-east-1 krånglar. En hostad förhandsvisning med en återspolningsmekanism kan inte köras på en luftgapad maskin, och — den punkt som spelar störst roll för en jämförelse av G​emma 4 12B — kan inte tvingas rymmas i 16 GB minne, eftersom det inte finns något att rymma.

Vad tillbakaspolningen ger, i leverantörens egna siffror

Elorians genomarbetade exempel är det mest konkreta som publicerats om Glimpse, och de är värda att läsas som beskrivningar snarare än som poäng. I en spårning gör modellen en första genomgång vid ungefär 8 bildrutor per sekund, bildar sig en preliminär tolkning och går sedan tillbaka och skannar om ett 0,9 sekunder långt fönster vid omkring 14 fps för att avgöra huruvida det den ser är en panorering eller ett klipp. I en annan följer den en enda fönsterkant från ungefär 2,2 sekunder in i ett klipp tills rörelsen nästan stannar vid 5,13 sekunder.

G​emma 4 12B har ingen motsvarighet. Den bearbetar video som bildsekvenser enligt ett schema du väljer, och när bildrutorna har valts är allt som föll mellan dem borta. Det är inte en defekt — det är vad en checkpoint med öppna vikter och en publicerad inferensväg förväntas göra — men det är exakt den typ av fråga som återspolningen finns för att besvara.

Där Gemma 4 12B drar ifrån är på allt du gör med en modell. I Googles eget modellkort, som täcker hela familjen och är leverantörsrapporterat snarare än oberoende reproducerat, uppnår 12B 77,2 % på MMLU Pro, 78,8 % på GPQA Diamond, 77,5 % på AIME 2026 utan verktyg, 72,0 % på LiveCodeBench v6, ett Codeforces-ELO på 1659, 69,1 % på MMMU Pro och 43,4 % på MRCR v2 vid 128K med åtta nålar. Glimpse publicerar ingenting alls i den familjen — ingen resonemangsbenchmark, ingen kodningsbenchmark, ingen kunskapsbenchmark. Jämförelsen är inte nära eftersom jämförelsen aldrig genomfördes.

Resultatkorten, och vilka tomma fält som är avsiktliga

De två publicerade evidensuppsättningarna överlappar inte. Glimpses tabell är mot GPT-6 Astra och är leverantörsrapporterad utan oberoende reproduktion; detsamma gäller Googles tabell. Det är fortfarande användbart att läsa dem sida vid sida, eftersom det visar vad varje företag valde att mätas på.

• WGO Bench (manipulationshändelser) — Glimpse 42,70 mot Astra 39,42. G​emma 4 12B: ej rapporterad.

• CharXiv-R — Glimpse 92,90 mot 92,10. G​emma 4 12B: ej rapporterad.

• UGC-VideoCap — Glimpse 82,66 mot 80,32. Gemma 4 12B: rapporteras inte.

• FSC-147 — Glimpse 83,36 mot 82,02. Gemma 4 12B: inte rapporterad.

• Video-MME v2 — Glimpse 56,68 mot Astra 64,06 och GPT-6.1 Sol 65,27. G​emma 4 12B: rapporteras inte.

• Mänsklighetens sjätte sinne — Glimpse 46,36 mot Astra 53,6. G​emma 4 12B: ej rapporterad.

• MMLU Pro — G​emma 4 12B 77,2 %. Glimpse: ej rapporterad.

• LiveCodeBench v6 — G​emma 4 12B 72,0 %. Glimpse: inte rapporterad.

• Oberoende bedömning — Artificial Analysis ger G​emma 4 12B ett Intelligence Index på 14, rankad på 20:e plats av 141 modeller i sin jämförelseklass, med en uppmätt utdatahastighet på 110,9 tokens per sekund. Glimpse har ingen oberoende poäng av något slag; den är en dag gammal.

Glimpse-tabellen innehåller också en fotnot som läsaren inte bör hoppa över: dessa resultat använder den högsta tankeansträngningen med modellens inbyggda agent-harness, och för de flesta videoutvärderingar kördes Sol och Opus 5.5 med hög snarare än maximal ansträngning, medan HSS-raden blandar in siffror rapporterade i artiklar från andra labb. Samma disciplin gäller på andra sidan – siffrorna i Googles modellkort publiceras för de instruktionstränade checkpoints utan att någon tredjeparts-harness är inblandad.

Vad var och en kostar, och i vilken enhet

Det är här formerna divergerar som mest, eftersom enheterna inte går att konvertera.

Glimpse prissätts per token: 0,60 USD per miljon indata-tokens och 3,00 USD per miljon utdata-tokens. Elorian anger själva jämförelsen – 94 % lägre än GPT-6 Astra på 10/50 USD, 85 % lägre än Claude Opus 5.5 på 4/20 USD, 70 % lägre än GPT-6.1 Sol på 2/10 USD och 20 % lägre än Gemini 3.8 Flashs introduktionspris på 0,75/3,75 USD – och ger en siffra på uppgiftsnivå: en robotplaneringsepisod som kostar 0,035 USD med Glimpse mot 0,249 USD med Astra. Alla dessa är leverantörens siffror om leverantörens modell.

Gemma 4 12B har inget leverantörspris eftersom det inte finns någon leverantörstjänst. Den enda siffran per token som finns för den är Artificial Analysis sammanvägda $0,10 per miljon input och $0,30 per miljon output, och det är en median över tredjepartsplattformar som tillhandahåller de öppna vikterna, inte ett listpris — Google publicerar inget sådant. Om du självhostar är siffran du faktiskt bryr dig om inte en prislista alls. Det är en nedladdning på 7 GB, en GPU-timme och elen.

Allt annat följer av det. Ett Glimpse-anrop har en marginalkostnad som skalar med volymen och en fast kostnad på noll. En driftsättning av G​emma 4 12B har en marginalkostnad nära noll och en fast kostnad som är en maskin. Nollpunkten är en volymfråga, och ingen leverantör kommer att publicera den åt dig.

Var det här paret ligger i vår egen katalog

Ingen av modellerna är en modell som OrcaRouter tillhandahåller, och det är värt att vara tydlig med det i stället för att låta läsaren dra motsatt slutsats. Glimpse nås via Elorians eget API och chattgränssnitt; G​emma 4 12B är en nedladdning, och de hostade vägarna till den är tredjepartsplattformar som kör de öppna vikterna. De G​emma 4-storlekar som vi faktiskt dirigerar är G​emma 4 26B A4B och G​emma 4 31B — de större och mer kapabla medlemmarna i samma familj — och om din egentliga fråga är "vilken G​emma 4-storlek ska jag anropa" svarar våra egna modellsidor för de två på det snabbare än den här sidan gör.

Det är i mellanfallet som ett routningslager förtjänar sin plats i just den här jämförelsen: ett team som vill fortsätta köra en G​emma 4-storlek som det redan självhostar, och vill testa en obeprövad förhandsversion vid sidan av den utan att satsa en produktionsväg på en modell som släpptes i går. Att hålla båda bakom en enda slutpunkt innebär att förhandsversionen ligger bakom automatisk failover i stället för framför den, och en prislista som ändras — vilket en forskningsförhandsversions prislista kommer att göra — är live hos oss samma dag i stället för vid nästa avtalsförnyelse. Det är ett uttalande om hur vi arbetar, inte ett anspråk på att vara värd för någon av dessa två.

Att välja, med tanke på att de inte är substitut

Om ditt arbete är tidsberoende och ditt felläge är "modellen tittade men tittade inte tillräckligt noga" – ett objekts identitet över ett klipp, en händelse inom ett fönster på under en sekund, ett antal som ändras när något skymmer – är Glimpse den första hostade modellen vars angivna mekanism riktar in sig direkt på det, och den kostnadsfria registreringen gör testet billigt. Gå och kör ditt eget klipp genom den. Kontrollera sedan scratchutrymmet: om modellen aldrig återskannade det intervall som spelade roll har du lärt dig något om din pipeline, och inte bara om modellen.

Om ditt arbete går ut på att få en kompetent multimodell att köra på hårdvara du kontrollerar – en bärbar dator med 16 GB minne enligt G​oogles egen uppgift, eller ett 24 GB-kort för den okvantiserade versionen – är G​emma 4 12B det mogna, licensierade, benchmarkbara svaret, och det har fyra månaders community-kvantiseringar och verktyg bakom sig som en endagsgammal förhandsversion inte har. Den mognaden är inte en liten sak: det är skillnaden mellan en modell som du kan planera ett kvartal utifrån och en modell som du kan planera en vecka utifrån.

Fällan är att välja Glimpse eftersom dess tabell slår Astra på fyra rader och sedan upptäcka att jobbet krävde resonemang, inte omskanning. Modellens eget HSS-nummer är beviset mot den tolkningen — 46,36 mot Astras 53,6, på ett benchmark som Elorian själva byggde med Scale AI. Att publicera ett resultat som din egen modell inte överträffar är en trovärdighetssignal, och det berättar också exakt vad rewind inte åtgärdar.

Inget av detta är hypotetiskt: de dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, tillförlitlighetsgrad och omtvistad flagga.