Glimpse กับ LFM2.5 2.6B Base: หนึ่งในนี้ไม่สามารถตอบคำถามได้

Glimpseเป็นตัวอย่างงานวิจัยด้านการให้เหตุผลเชิงภาพของ Elorian เปิดตัวเมื่อวันที่ 16 ตุลาคม 2026 และจุดขายของมันคือพฤติกรรมอย่างหนึ่ง นั่นคือ ขณะที่มันกำลังคิด มันสามารถย้อนกลับไปดูภาพหรือวิดีโอ สแกนช่วงเวลา 0.9 วินาทีซ้ำอีกครั้งด้วยอัตราเฟรมที่ถี่ขึ้น ซูมเข้าไปในพื้นที่หนึ่ง หรือติดตามลักษณะเด่นหนึ่งอย่างข้ามเวลา แล้วจึงค่อยให้คำตอบ LFM2.5 2.6B Baseเป็นเช็กพอยต์ขนาด 2.69 พันล้านพารามิเตอร์ที่ Liquid AI เผยแพร่เมื่อวันที่ 4 สิงหาคม 2026 ภายใต้ LFM Open License v1.0 และมันไม่มีการปรับแต่งด้วยคำสั่งเลยแม้แต่น้อย — มันไม่เคยถูกฝึกให้ตอบอะไรทั้งสิ้น ยื่นคำถามให้มัน แล้วมันจะต่อข้อความออกไปอย่างสมเหตุสมผล ในสำนวนของสิ่งที่มาก่อนหน้านั้น นั่นไม่ใช่ข้อบกพร่องหรือการเปิดตัวที่ขาดหายไป แต่เป็นข้อกำหนดสเปกที่ตั้งใจไว้ต่างหาก ดังนั้นสิ่งแรกที่ต้องพูดเกี่ยวกับการจับคู่นี้ก็คือ มันไม่ใช่การแข่งขันกันระหว่างสองโมเดลที่มีคุณภาพต่างกัน หากแต่เป็นการจับคู่ระหว่างความสามารถที่คุณเช่าใช้ กับวัตถุดิบที่คุณต้องนำไปฝึกเอง และข้อเท็จจริงเพียงอย่างเดียวที่ใช้ตัดสินใจเลือกระหว่างสองสิ่งนี้ ก็คือว่างานที่คุณมีนั้นเป็นคำถามหรือเป็นชุดข้อมูล

ทุกสิ่งด้านล่างนี้ล้วนสืบเนื่องมาจากข้อนั้น รวมถึงข้อเท็จจริงที่ว่า ในสองสิ่งนี้มีเพียงสิ่งเดียวเท่านั้นที่มีตารางเปรียบเทียบสมรรถนะ — และมันไม่ใช่สิ่งที่ผู้อ่านจะเดาได้

สองวัตถุ ที่อธิบายโดยไม่มีส่วนการตลาด

Glimpse ไม่มีอาร์ติแฟกต์ให้ดาวน์โหลด Elorian ไม่เปิดเผยจำนวนพารามิเตอร์ ไม่เปิดเผยสถาปัตยกรรม ไม่เปิดเผยหน้าต่างบริบท และไม่เปิดเผยชื่อของโมเดลฐานแบบเปิดน้ำหนักที่มันบอกว่าถูกฝึกต่อ สิ่งที่มีอยู่คือ API และอินเทอร์เฟซแชตที่สมัครฟรี ราคา $0.60 ต่อโทเคนอินพุตหนึ่งล้านโทเคน และ $3.00 ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน พร้อมชุดร่องรอยการทำงานที่แสดงให้เห็นโมเดลย้อนกลับไปดูหลักฐานภาพระหว่างการคิด พื้นที่ทดร่างด้านภาพของมัน — พื้นผิวที่มันใช้ตรวจสอบสิ่งที่เห็นซ้ำ — คือตัวผลิตภัณฑ์

LFM2.5 2.6B Base เป็นสิ่งที่ตรงกันข้ามแบบตรงตัว มันคือไฟล์ สามสิบเลเยอร์ โดย 22 เลเยอร์เป็นบล็อก short-convolution แบบ dual-gated และ 8 เลเยอร์เป็น grouped-query attention; โทเคนสำหรับเทรนราว 34 ล้านล้านโทเคนครอบคลุม 16 ภาษา; หน้าต่างบริบทขนาด 131,072 โทเคน; บิลด์แบบควอนไทซ์ประมาณ 1.67 GB มันรองรับเฉพาะข้อความ เป็นแบบ dense และจงใจไม่ให้คะแนน เพราะการให้คะแนนเช็กพอยต์ base บนเบนช์มาร์กการปฏิบัติตามคำสั่งจะวัดการขาดการ fine-tuning มากกว่าคุณภาพของซับสเตรต

• สิ่งที่คุณได้รับ — Glimpse: คีย์ API และเอนด์พอยต์ที่โฮสต์ไว้ LFM2.5 2.6B Base: เวต โทเคไนเซอร์ และสัญญาอนุญาต

• มอดาลิตี้ — Glimpse: อินพุตรูปภาพและวิดีโอ พร้อมการสุ่มแบบรีเอนแทรนต์ซ้ำตามเวลา LFM2.5 2.6B Base: อินพุตข้อความ เอาต์พุตข้อความ

• ราคา — Glimpse $0.60 / $3.00 ต่อล้านโทเค็น เผยแพร่โดยผู้จำหน่าย LFM2.5 2.6B Base: ไม่มีค่าใช้จ่ายต่อการเรียกใช้ คุณต้องจัดหาฮาร์ดแวร์เอง

• ขนาดที่เผยแพร่ — ไม่เปิดเผยสำหรับ Glimpse ซึ่งผิดปกติสำหรับโมเดลที่โฮสต์ไว้ และนั่นเองคือการเปิดเผย 2.69B แบบ dense สำหรับ LFM2.5 2.6B Base น้ำหนักทุกตัวมองเห็นได้ในที่เก็บซอร์ส

• พฤติกรรมแบบพร้อมใช้ทันที — Glimpse ตอบคำถามเกี่ยวกับสิ่งที่มันได้ดูมา ส่วน LFM2.5 2.6B Base จะต่อข้อความของคุณให้ เพราะนั่นคือสิ่งที่การพรีเทรนสร้างออกมา

• สัญญาอนุญาต — Glimpse เป็นบริการตัวอย่างแบบโฮสต์ภายใต้ข้อกำหนดของ Elorian สัญญาอนุญาตเปิด LFM v1.0 ใช้งานฟรีเมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ และต้องมีสัญญาอนุญาตแยกต่างหากเมื่อมีรายได้เท่ากับหรือเกินกว่านั้น

ทำไมมีเพียงอันเดียวในสิ่งเหล่านี้ที่มีสกอร์การ์ด

นี่คือส่วนที่อ่านแล้วรู้สึกย้อนแย้ง โมเดลที่ไม่มีน้ำหนัก ไม่เปิดเผยขนาด และไม่มีการประเมินอิสระ กลับเผยแพร่ตารางเบนช์มาร์กสิบสองแถวเทียบกับ GPT-6 Astra ส่วนโมเดลที่เปิดเผยน้ำหนักทั้งหมดและมีสถาปัตยกรรมที่จัดทำเอกสารครบถ้วน กลับไม่เผยแพร่อะไรเลย

ช่องว่างทั้งสองต่างก็มีเหตุผล และมันมีความหมายตรงกันข้ามกัน ดังนั้นจึงคุ้มค่าที่จะแยกมันออกจากกัน

ตารางของ Glimpse เป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่ถูกทำซ้ำ — ตัวเลขของ Elorian เอง เทียบกับคู่แข่งที่ Elorian เลือกเอง รันที่ความพยายามในการคิดสูงสุดของโมเดลด้วย agent harness แบบเนทีฟของมัน พร้อมเชิงอรรถที่เปิดเผยว่าคู่แข่งหลายรายถูกรันต่ำกว่าความพยายามสูงสุดของตน และแถว HSS ผสมตัวเลขที่รายงานในเปเปอร์จากแล็บอื่นเข้าไว้ด้วย ถ้าอ่านเป็นคำกล่าวอ้างเกี่ยวกับทิศทาง มันให้ข้อมูลที่เป็นประโยชน์; ถ้าอ่านเป็นคะแนน มันยังไม่ใช่หลักฐาน เพราะยังไม่มีใครนอกบริษัทได้รันมัน และจุดที่ตารางนี้มีประโยชน์ที่สุดคือจุดที่มันไม่ได้ทำให้ตัวเองดูดี: Glimpse ได้คะแนน 46.36 บน Humanity's Sixth Sense เทียบกับ 53.6 ของ Astra บนเบนช์มาร์กที่ Elorian เองสร้างขึ้นร่วมกับ Scale AI การ rewind ให้การรับรู้ — การนับ การอ่านแผนภูมิ การติดตามวัตถุผ่านการเคลื่อนไหว — และไม่ได้ให้การอนุมานถึงสิ่งที่ฉากหนึ่งบอกเป็นนัย

ช่องว่างของ LFM2.5 2.6B Base นั้นต่างกันโดยธรรมชาติ ไม่มีอะไรให้วัดคะแนน เช็กพอยต์ฐานไม่มีการทำงานใด ๆ มันมีการแจกแจงแทน Liquid AI จึงทดสอบโมเดลพี่น้องที่ผ่านการฝึกภายหลังในตระกูลเดียวกันแทน ซึ่งเป็นการตัดสินใจทางวิศวกรรมที่ถูกต้อง และไม่ได้บอกอะไรคุณเลยเกี่ยวกับว่าฐานรากนั้นจะเหมาะกับงานของคุณหรือไม่

ความไม่สมมาตรนั้นมีผลในทางปฏิบัติ สำหรับ Glimpse คำถามในการประเมินคือ "ข้ออ้างของผู้ขายจะรอดผ่านคลิปของฉันหรือไม่" สำหรับ LFM2.5 2.6B Base คำถามในการประเมินคือ "ฉันจะฝึกโมเดลนี้ให้กลายเป็นสิ่งที่ใช้งานได้หรือไม่" — และคำถามข้อหลังนี้ตอบได้แล้ววันนี้ โดยคุณ ด้วยราคาเพียงการดาวน์โหลดครั้งเดียว บิลด์ขนาด 1.67 GB ใส่ในแล็ปท็อปได้ ส่วนงานที่ต้องลงมือทำคือลูปการฝึก

หน่วยไม่แปลงค่า ดังนั้นให้แปลงด้วยมือ

ราคาต่อโทเคนกับดาวน์โหลดฟรีไม่อาจนำมาเปรียบเทียบกันโดยตรงได้ ซึ่งนี่แหละคือจุดที่การเปรียบเทียบในรูปแบบนี้ส่วนใหญ่มักแอบโกงกันแบบเงียบ ๆ วิธีที่ซื่อสัตย์คือเลือกงานมาสักหนึ่งงาน แล้วตีราคาทั้งสองเส้นทาง

ลองทำงานเฉพาะทางที่มีปริมาณสูงซึ่งการ fine-tune ขนาดเล็กทำได้ดีจริง ๆ: อ่านเอกสารประเภทตายตัวแล้วส่งออกเป็น JSON แบบมีโครงสร้าง ประมวลผล 50 ล้านโทเคนต่อเดือน โดยประมาณครึ่งหนึ่งเป็นอินพุตและครึ่งหนึ่งเป็นเอาต์พุต บน Glimpse นั่นคิดเป็นประมาณ $90 ต่อเดือน — $15 สำหรับอินพุตที่ $0.60 ต่อล้าน, $75 สำหรับเอาต์พุตที่ $3.00 — บวกกับเวลาทางวิศวกรรมในการเขียนพรอมป์ตและตรวจสอบความถูกต้อง บน LFM2.5 2.6B Base การอนุมานฟรี และค่าใช้จ่ายย้ายไปอยู่ช่วงต้นทั้งหมด: การรวบรวมตัวอย่างที่มีป้ายกำกับไม่กี่พันตัวอย่าง, การฝึกหนึ่งรอบบนการ์ดของคุณเอง, ชุดประเมินผล, และการรันซ้ำทุกครั้งที่รูปแบบเอกสารเปลี่ยน

สองสิ่งผลลัพธ์จากเลขคณิตนั้นที่มองข้ามได้ง่าย

ประการแรกก็คือ การไฟน์ทูนจะชนะในด้านต้นทุนก็ต่อเมื่อปริมาณการใช้งานสูงเกินเกณฑ์หนึ่งเท่านั้น และเกณฑ์นั้นถูกกำหนดจากปริมาณงานวิศวกรรมที่ทีมของคุณสามารถรองรับได้ มากกว่าจะกำหนดจากสิ่งที่ Liquid AI เผยแพร่ ทีมที่ไม่มีขีดความสามารถในการฝึกโมเดลเลยจะไม่มีจุดคุ้มทุนเลยในด้านนั้นของการเปรียบเทียบ ซึ่งเป็นข้อเท็จจริงที่มีอยู่จริงและบ่อยครั้งเป็นปัจจัยชี้ขาด

ข้อที่สองคือ การอ้างเรื่องราคาของ Glimpse เองนั้นมุ่งไปที่อื่นโดยสิ้นเชิง Elorian วางกรอบราคา $0.60/$3.00 ว่าต่ำกว่า GPT-6 Astra ที่ $10/$50 อยู่ 94% และต่ำกว่า Claude Opus 5.5 ที่ $4/$20 อยู่ 85% เมื่อเทียบกับเรือธงระดับแนวหน้า Glimpse ถือว่าถูก แต่เมื่อเทียบกับกลุ่มโมเดลขนาดเล็ก — เช็กพอยต์ 2.6B ที่คุณเป็นเจ้าของเอง หรือช่องทางปริมาณอย่าง Qwen3.8-Flash ของ Aibaba ที่ $0.15/$0.47 — มันกลับอยู่ฝั่งที่แพงกว่าในการเปรียบเทียบ และบทความที่อยู่ข้างบทความนี้ซึ่งว่าด้วย Qwen 3.8ได้คำนวณเรื่องนี้ออกมาพร้อมตารางราคาจริง การอ้างส่วนลดของผู้ขายย่อมสัมพันธ์กับชุดการเปรียบเทียบที่ผู้ขายเป็นคนเลือกเสมอ

วิธีที่คุณจะรันการทดสอบจริง ๆ

การเปรียบเทียบข้างต้นจะมีความหมายก็ต่อเมื่อต้นทุนการรันต่ำ และอุปสรรคในทางปฏิบัติคือสองฝั่งอาศัยอยู่ในระบบที่ต่างกัน: เอนด์พอยต์แบบโฮสต์ที่มีคีย์เดียว กับลูปการเทรนที่จบลงด้วยโมเดลซึ่งคุณต้องนำไปให้บริการที่ไหนสักแห่ง การเปลี่ยนสิ่งนั้นให้เป็น A/B test บนเวิร์กโหลดของคุณเองคือจุดที่เลเยอร์การจัดเส้นทางพิสูจน์คุณค่าของมัน และไม่ว่าคุณจะเปรียบเทียบ fine-tune กับ API หรือเปรียบเทียบ API สองตัวด้วยกัน เหตุผลก็ยังเหมือนเดิม

OrcaRouter วาง text endpoint และโมเดลที่เผยแพร่ทุกตัวไว้เคียงข้างกันเบื้องหลังคีย์เดียว — โมเดลกว่า 200 ตัว ราคาตามรายการของผู้ให้บริการที่ส่งผ่านโดยไม่บวกเพิ่มต่อโทเคน บิลเดียว และการสลับไปใช้ผู้ให้บริการรายอื่นอัตโนมัติ เพื่อว่าช่วงบ่ายที่ผู้ให้บริการมีปัญหาจะไม่กลายเป็นช่วงบ่ายที่การประเมินของคุณมีปัญหาทั้ง Glimpse และ LFM2.5 2.6B Base ต่างก็ไม่มีอยู่ในแค็ตตาล็อกนั้น และไม่มี LFM2.5 รุ่นใดเลย: Glimpse มาจาก API และอินเทอร์เฟซแชทของ Elorian เอง ส่วนเช็กพอยต์ Liquid มาจาก Liquid AI ทั้งสองอย่างเป็นสิ่งที่คุณได้รับมาโดยตรง สิ่งที่ชั้นการจัดเส้นทางเปลี่ยนไปคือกลุ่มควบคุม เมื่อคำถามคือ "fine-tune ของฉันดีกว่าการเรียกอะไรสักอย่างจริงหรือ" คุณอยากให้ "อะไรสักอย่าง" นั้นเป็นการเปลี่ยนคอนฟิกมากกว่ารอบจัดซื้อจัดจ้าง เพราะการทดลองที่คุณรันได้บ่ายนี้คือการทดลองเดียวที่ให้ตัวเลขออกมา

ในจุดที่การปรับละเอียดพาคุณไปไม่ถึง ไม่ว่าจะขนาดใด

นี่คือส่วนของการเปรียบเทียบที่ไม่สามารถลดทอนลงเป็นคำถามเรื่องต้นทุนได้ และนี่คือเหตุผลที่สองสิ่งนี้ไม่ใช่สิ่งทดแทนกันไม่ว่าจะในทิศทางใด

ความสามารถของ Glimpse เป็นเรื่องเชิงเวลาและเชิงภาพ อัตลักษณ์ของวัตถุข้ามการตัดต่อ เหตุการณ์ภายในหน้าต่างเวลาที่สั้นกว่าหนึ่งวินาที การนับที่เปลี่ยนไปเมื่อมีบางสิ่งบดบัง — กลไกย้อนกลับจัดการกับสิ่งเหล่านี้โดยตรง และร่องรอยแสดงให้เห็นว่าแบบจำลองได้สแกนช่วงเวลาที่สำคัญนั้นซ้ำจริงหรือไม่ ไม่ว่าคุณจะปรับละเอียดเช็กพอยต์ขนาด 2.69B แบบข้อความล้วนมากเพียงใด ก็ไม่อาจทำให้เกิดพฤติกรรมนั้นได้ เพราะโครงสร้างพื้นฐานไม่มีอินพุตวิดีโอและไม่มีกลไกสำหรับใช้การประมวลผลเพิ่มเติมกับช่วงเวลาเฉพาะหลังการประมวลผลรอบแรก คุณไม่อาจใช้การฝึกฝนเพื่อไปให้ถึงสถาปัตยกรรมที่คุณไม่ได้สร้างขึ้นได้

ในทางกลับกันก็เป็นจริงอย่างแน่นอนเช่นกัน พรีวิวแบบโฮสต์ที่ทั้งจำนวนพารามิเตอร์ หน้าต่างบริบท และโมเดลฐานไม่ถูกเปิดเผยนั้น ไม่ใช่สิ่งที่คุณจะนำไปปล่อยภายในผลิตภัณฑ์ที่อยู่ภายใต้การกำกับดูแล รันแบบ air-gapped หรือรับประกันความพร้อมใช้งานได้ และตารางอัตราค่าบริการของพรีวิวงานวิจัยอาจเปลี่ยนแปลงได้ทุกเมื่อ ซึ่งถือว่าโอเคสำหรับการทดลอง แต่ก็ยุ่งยากสำหรับการทำโมเดลต้นทุน

ดังนั้นสรุปที่ตรงไปตรงมาคือไม่ใช่ว่าอันหนึ่งดีกว่า แต่เป็นว่า ทีมที่มีงานด้านข้อความและมีชุดข้อมูลควรดูที่ checkpoint ทีมที่มีคำถามเชิงภาพเกี่ยวกับเวลาควรดูที่ preview และทีมที่ไม่มีทั้งสองอย่างก็ยังไม่มีเหตุผลที่จะนำมาเปรียบเทียบกัน

สามเงื่อนไข และสิ่งที่แต่ละข้อบ่งชี้

ถ้างานของคุณแคบ ทำเฉพาะข้อความ และคุณมี — หรือซื้อได้ — ตัวอย่างที่มีป้ายกำกับสักไม่กี่พันตัวอย่าง LFM2.5 2.6B Base คือสิ่งที่คุ้มค่ากว่า เพราะสุดท้ายคุณจะได้เป็นเจ้าของชิ้นงานนั้นและจ่ายค่าไฟฟ้าแทนค่าโทเคน ดาวน์โหลดบิลด์ขนาด 1.67 GB ก่อน แล้วยืนยันว่ามันรันบนฮาร์ดแวร์ของคุณได้ ก่อนที่คุณจะวางแผนอะไรโดยอิงกับมัน ขั้นตอนนั้นใช้เวลาแค่บ่ายเดียว

หากโหมดความล้มเหลวของคุณเป็นเรื่องของเวลา — โมเดลดูแล้วแต่ดูไม่ละเอียดพอ — Glimpse เป็นโมเดลแบบโฮสต์ตัวแรกที่กลไกซึ่งระบุไว้มุ่งเป้าไปที่สิ่งนั้นโดยตรง และการสมัครฟรีทำให้การทดสอบมีต้นทุนต่ำ ลองรันคลิปของคุณเอง แล้วอ่านสแครชสเปซ: ถ้ามันไม่เคยสแกนช่วงเวลาที่เป็นตัวตัดสินคำตอบซ้ำ คุณก็ได้เรียนรู้อะไรบางอย่างเกี่ยวกับไปป์ไลน์ของคุณ ไม่ใช่แค่เกี่ยวกับโมเดลเท่านั้น

ถ้าคุณยังไม่รู้ว่าคุณเป็นแบบไหนในสองแบบนั้น ลำดับการดำเนินการก็ชัดเจนแล้ว: ให้รันโมเดลแบบโฮสต์ก่อน เพราะมันตอบได้ในเวลาบ่ายเดียว ซึ่งโปรเจกต์ fine-tuning ต้องใช้เวลาหนึ่งเดือน สับสเตรตยังคงใช้งานได้ มันจะยังเป็นการดาวน์โหลดขนาด 1.67 GB ในไตรมาสหน้า และสิ่งเดียวที่คุณจะเสียไปคือเวลาที่คุณคงใช้ไปกับการรวบรวมชุดข้อมูลสำหรับงานที่การเรียก API อาจครอบคลุมได้อยู่แล้ว

ไม่มีสิ่งใดในนั้นที่เป็นเพียงข้อสันนิษฐาน: ความล้มเหลวของ AI และเหตุการณ์ที่เกี่ยวข้องกับเอเจนต์ซึ่งได้รับการบันทึกไว้ ที่อยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะข้อโต้แย้งของตนเอง