Glimpse vs LFM2.5 2.6B Base: En av dessa kan inte svara på en fråga

Glimpse är Elorians forskningsförhandsvisning för visuellt resonemang, släppt den 16 oktober 2026, och dess säljargument är ett beteende: medan den tänker kan den gå tillbaka till bilden eller videon, skanna om ett 0,9-sekundersintervall med tätare bildfrekvens, zooma in i en region eller spåra ett särdrag över tid, och först därefter svara. LFM2.5 2.6B Base är en checkpoint med 2,69 miljarder parametrar som Liquid AI publicerade den 4 augusti 2026 under LFM Open License v1.0, och den har ingen instruktionsträning alls — den tränades aldrig för att svara på något. Ge den en fråga och den fortsätter texten, trovärdigt, i registret för det som kom före. Det är inte en defekt eller en saknad release; det är specifikationen. Så det första man bör säga om detta par är att det inte är en matchning mellan två modeller av olika kvalitet. Det är en matchning mellan en förmåga du hyr och en råvara du tränar, och det enda faktum som avgör mellan dem är huruvida arbetet du har är en fråga eller en datauppsättning.

Allt nedan följer av detta, inklusive det faktum att endast en av dessa två har en benchmarktabell – och det är inte den som en läsare skulle gissa.

Två objekt, beskrivna utan marknadsföringen

Glimpse har ingen nedladdningsbar artefakt. Elorian publicerar inget parameterantal, ingen arkitektur, inget kontextfönster och inget namn på den basmodell med öppna vikter som man säger att den eftertränats på. Det som finns är ett API och ett chattgränssnitt med gratis registrering, ett pris på 0,60 dollar per miljon indatatoken och 3,00 dollar per miljon utdatatoken, samt en uppsättning genomarbetade spår som visar hur modellen återvänder till visuella bevis mitt i tankegången. Dess visuella scratchutrymme – ytan där den på nytt granskar det den såg – är produkten.

LFM2.5 2.6B Base är den exakta inversen. Det är en fil. Trettio lager, varav 22 är dubbelgrindade kortkonvolutionsblock och 8 är grupperad query-attention; ungefär 34 biljoner träningstoken över 16 språk; ett kontextfönster på 131 072 token; ett kvantiserat bygge på omkring 1,67 GB. Den är endast text, den är tät, och den är avsiktligt obetygsatt, eftersom att poängsätta en bas-checkpoint på benchmarks för instruktionsföljning skulle mäta frånvaron av finjustering snarare än substratets kvalitet.

• Vad du får — Glimpse: en API-nyckel och en hostad slutpunkt. LFM2.5 2.6B Base: vikter, en tokeniserare och en licens.

• Modalitet — Glimpse: bilder och video in, med återinträdande sampling över tid. LFM2.5 2.6B Base: text in, text ut.

• Pris — Glimpse 0,60 $ / 3,00 $ per miljon tokens, publicerat av leverantören. LFM2.5 2.6B Base: ingenting per anrop; du tillhandahåller hårdvaran.

• Publicerad storlek — inte angiven för Glimpse, vilket är ovanligt för en hostad modell och är i sig självt avslöjandet. 2,69B dense för LFM2.5 2.6B Base, varje vikt synlig i repositoriet.

• Beteende direkt ur lådan — Glimpse svarar på frågor om vad den har tittat på. LFM2.5 2.6B Base fortsätter din text, eftersom det är vad förträning producerar.

• Licens — Glimpse är en hostad förhandsvisning enligt Elorians villkor. LFM Open License v1.0, gratis under 10 miljoner USD i årlig omsättning och kräver en separat licens vid eller över den gränsen.

Varför har bara en av dessa ett resultatkort?

Det här är delen som är bakvänd. Modellen utan vikter, utan offentliggjord storlek och utan oberoende utvärdering publicerar en benchmarktabell med tolv rader mot GPT-6 Astra. Modellen med alla vikter publicerade och en fullständigt dokumenterad arkitektur publicerar ingenting.

Båda luckorna är rationella, och de betyder motsatta saker, så det är värt att skilja dem åt.

Glimpses tabell är rapporterad av leverantören och inte reproducerad – Elorians egna siffror, mot dess eget val av rivaler, körda vid modellens högsta tankeansträngning och med dess inbyggda agent-harness, med en fotnot som uppger att flera konkurrenter kördes under sin maximala ansträngningsnivå och att HSS-raden blandar in siffror som rapporterats i artiklar från andra labb. Läst som ett påstående om riktning är den informativ; läst som en poäng är den ännu inte något bevis, eftersom ingen utanför företaget har kört den. Och tabellen är som mest användbar där den är ofördelaktig: Glimpse får 46,36 på Humanity's Sixth Sense mot Astras 53,6, i ett benchmark som Elorian självt byggde tillsammans med Scale AI. Återspolningen köper perception – att räkna, läsa diagram, spåra ett objekt genom rörelse – och köper inte slutledning om vad en scen innebär.

LFM2.5 2.6B Base:s tomrum är av ett annat slag. Det finns inget att poängsätta. En bascheckpunkt har inget beteende; den har en distribution. Liquid AI benchmarkar i stället det eftertränade syskonet i familjen, vilket är det korrekta ingenjörsbeslutet och säger dig exakt noll om huruvida substratet kommer att passa din uppgift.

Den asymmetrin har en praktisk konsekvens. För Glimpse är utvärderingsfrågan ”kommer leverantörens påstående att överleva mitt klipp”. För LFM2.5 2.6B Base är utvärderingsfrågan ”kan jag träna detta till något som fungerar” — och den andra frågan kan besvaras i dag, av dig, för priset av en nedladdning. Bygget på 1,67 GB får plats på en laptop; träningsloopen är arbetet.

Enheterna konverteras inte, så konvertera dem manuellt.

Ett pris per token och en gratis nedladdning kan inte jämföras direkt, och det är här de flesta jämförelser av det här slaget i tysthet fuskar. Det ärliga sättet är att välja en uppgift och prissätta båda vägarna.

Ta ett smalt jobb med hög volym som en liten finjusterad modell verkligen är bra på: att läsa en fast dokumenttyp och producera strukturerad JSON, köra 50 miljoner tokens i månaden, ungefär hälften in och hälften ut. På Glimpse är det ungefär $90 i månaden – $15 för indata till $0,60 per miljon, $75 för utdata till $3,00 – plus ingenjörstiden för att prompta och validera den. På LFM2.5 2.6B Base är inferensen gratis, och hela räkningen flyttas till början: att sätta ihop några tusen märkta exempel, en träningskörning på ditt eget grafikkort, en utvärderingsuppsättning och en ny körning varje gång dokumentformatet förändras.

Två saker faller ut ur den aritmetiken som är lätta att missa.

Det första är att finjusteringen vinner kostnadsmässigt först över en volymtröskel, och tröskeln sätts av hur mycket ingenjörsarbete ditt team kan absorbera snarare än av något som Liquid AI publicerar. Ett team utan träningskapacitet har ingen break-even-punkt alls på den sidan av jämförelsen, vilket är ett verkligt och ofta avgörande faktum.

Det andra är att Glimpses egna prisuppgifter är riktade mot något helt annat. Elorian framställer $0.60/$3.00 som 94 % lägre än GPT-6 Astra på $10/$50 och 85 % lägre än Claude Opus 5.5 på $4/$20. Jämfört med flaggskeppen i framkanten är Glimpse billigt. Mot småmodellssidan – en 2.6B-checkpoint som du äger, eller en volymkanal som Alibabas Qwen3.8-Flash för $0.15/$0.47 – är det den dyra sidan av jämförelsen, och artikeln bredvid den här om Qwen 3.8 reder ut det med de verkliga prislistorna. En leverantörs rabattpåstående är alltid relativt till den jämförelsegrupp leverantören valde.

Hur du faktiskt skulle köra testet

Jämförelsen ovan är bara värd något om den är billig att köra, och det praktiska hindret är att de två sidorna lever i olika system: en hostad endpoint med en nyckel, och en träningsloop som slutar i en modell som du måste servera någonstans. Att göra det till ett A/B-test på din egen arbetsbelastning är där ett routinglager förtjänar sin plats, och argumentet är detsamma oavsett om du jämför en finjustering med ett API eller två API:er med varandra.

OrcaRouter placerar en textslutpunkt och varje publicerad modell sida vid sida bakom en enda nyckel — över 200 modeller, leverantörens listpris förmedlas vidare utan något påslag per token, en faktura, och automatisk failover så att en dålig eftermiddag hos en leverantör inte blir en dålig eftermiddag för din utvärdering. Varken Glimpse eller LFM2.5 2.6B Base finns i den katalogen, och ingen LFM2.5-variant finns med: Glimpse kommer från Elorians eget API och chattgränssnitt, och Liquid-checkpointen kommer från Liquid AI, båda är sådant du skaffar direkt. Det som routinglagret förändrar är kontrollgruppen. När frågan är "är min finjustering faktiskt bättre än att bara anropa något", vill du att det där något ska vara en konfigurationsändring snarare än en upphandlingscykel, eftersom experimentet du kan köra i eftermiddag är det enda som ger en siffra.

Dit finjustering inte kan ta dig, oavsett storlek

Det här är den del av jämförelsen som inte utmynnar i en kostnadsfråga, och det är anledningen till att dessa två inte är substitut i någon riktning.

Glimpses förmåga är tidsmässig och visuell. Objektidentitet över ett klipp, en händelse inom ett fönster på under en sekund, en räkning som ändras när något ockluderar – en tillbakaspolningsmekanism adresserar dem direkt, och spåren visar om modellen faktiskt skannade om det intervall som spelade roll. Ingen mängd finjustering av en 2,69B text-only-checkpoint ger det beteendet, eftersom substratet inte har någon videoingång och ingen mekanism för att lägga extra beräkningskraft på ett specifikt intervall efter en första genomgång. Man kan inte träna sig in i en arkitektur man inte har byggt.

Det omvända gäller precis lika bestämt. En hostad förhandsversion vars parameterantal, kontextfönster och basmodell alla är oredovisade är inget du kan leverera i en reglerad produkt, köra luftgapad eller garantera tillgängligheten för. Och prislistan för en forskningsförhandsversion kan ändras när som helst, vilket är okej för ett test och besvärligt för en kostnadsmodell.

Den ärliga sammanfattningen är alltså inte att det ena är bättre. Den är att ett team med en textuppgift och ett dataset bör titta på checkpointen, ett team med en temporal visuell fråga bör titta på förhandsversionen, och ett team som inte har någotdera har ingen anledning att jämföra dem ännu.

Tre villkor, och vad vart och ett innebär

Om din uppgift är begränsad, enbart textbaserad och du har – eller kan köpa – några tusen märkta exempel, är LFM2.5 2.6B Base det mer värdefulla objektet, eftersom du till slut äger artefakten och betalar för el i stället för tokens. Ladda ner 1,67 GB-bygget först och bekräfta att saken körs på din hårdvara innan du planerar något kring det. Det steget kostar en eftermiddag.

Om ditt felläge är tidsmässigt – modellen tittade men tittade inte tillräckligt noga – är Glimpse den första hostade modellen vars angivna mekanism syftar direkt på det, och den kostnadsfria registreringen gör testet billigt. Kör ditt eget klipp och läs sedan scratch-utrymmet: om den aldrig skannade om intervallet som avgjorde svaret har du lärt dig något om din pipeline och inte bara om modellen.

Om du ännu inte vet vilken av dessa två du är, är ordningen för operationerna fastställd: kör den hostade modellen först, för den svarar på en eftermiddag vad ett finjusteringsprojekt svarar på en månad. Substratet förblir tillgängligt. Det kommer fortfarande att vara en nedladdning på 1,67 GB nästa kvartal, och det enda du kommer att ha spenderat är tiden du annars skulle ha lagt på att sätta ihop ett dataset för en uppgift som ett API-anrop kanske hade täckt.

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.