Glimpse vs Intern Decision 4B: Cái nào trong hai cái này thực sự trả lời câu hỏi của bạn?

Hai mô hình trong so sánh này có chung một phương thức và gần như không có gì khác. Elorian Glimpse, ra mắt ngày 16 tháng 10 năm 2026, là bản xem trước suy luận thị giác có thể quay lại một cửa sổ bên trong video mà nó đã xem — trong bản ghi đã công bố, chín phần mười giây được quét lại ở khoảng 14 khung hình mỗi giây sau lượt quét đầu tiên ở khoảng 8 — rồi viết câu trả lời bằng văn xuôi. Intern-Decision-4B, được nhóm InternLM của Shanghai AI Laboratory tải lên vào ngày 26 tháng 9 năm 2026 mà không hề có thông báo nào, không viết bất cứ thứ gì. Nó nhận một trạng thái dùng chung, một lược đồ gồm các câu hỏi có tên và tùy chọn một số hình ảnh, rồi trả về một phân phối xác suất đã hiệu chỉnh trên những câu trả lời có tên đó trong một lượt truyền xuôi duy nhất. Nó không bao giờ gọi generate(). Không có chuỗi suy nghĩ, không có câu, không có bất kỳ dạng đầu ra từng token một nào.

Điều đó có nghĩa là câu hỏi đầu tiên trong so sánh này không phải là mô hình nào tốt hơn. Mà là liệu vấn đề của bạn là vấn đề đọc hay vấn đề ra quyết định, và hầu hết các đội nhóm nhận ra rằng họ đã đang xử lý một vấn đề ra quyết định như thể đó là vấn đề đọc, bởi vì đọc là công cụ duy nhất sẵn có.

Một mô hình trả về một con số thay vì một đoạn văn.

Gia đình Intern-Decision đã đến một cách âm thầm vào sáng ngày 26 tháng 9 năm 2026 — ba kích cỡ, 0.8B, 2B và 4B, được tải lên cách nhau trong vòng bốn mươi giây, đó là dấu hiệu của một script chứ không phải của một quy trình phát hành. Không có bài đăng blog, không có bài luận model card, không có luồng khởi chạy. Space demo trả về 401 tại thời điểm viết bài, bộ sưu tập trả về 401, tổ chức GitHub trả về 404, và thành viên lớn nhất của gia đình đã tích lũy được không lượt tải xuống và một lượt thích. Mọi thứ dưới đây được đọc từ cấu hình và kho lưu trữ đã phát hành chứ không phải từ nhà cung cấp nói cho chúng ta biết nó làm gì.

Điều mà cấu hình nói là rất cụ thể. Intern-Decision-4B là một bản tinh chỉnh 4,54 tỷ tham số của Qwen 3.5 4B, và giao diện của nó là một bộ máy ra quyết định chứ không phải là hoàn tất trò chuyện. Bạn đưa cho nó một trạng thái chia sẻ — ngữ cảnh mà tất cả các câu hỏi cùng chia sẻ — cùng với một lược đồ định danh một tập hợp câu hỏi, cùng với tối đa tám hình ảnh. Nó trả về một phân phối trên một từ vựng cố định gồm các ký hiệu đơn token: A đến Z, a đến z, và 0 đến 9. Sáu mươi hai ký hiệu, đó chính xác là lý do giới hạn tùy chọn là sáu mươi hai, và không phải là một lựa chọn thiết kế mà ai đó đạt được bằng cách nghĩ về việc con người muốn bao nhiêu câu trả lời. Ba loại câu hỏi được hỗ trợ: lựa chọn giữa các tùy chọn có tên, điểm số trên một thang điểm, và một quyết định dạng có/không.

Đó là toàn bộ sản phẩm. Giá trị của nó không nằm ở độ chính xác trừu tượng. Mà nằm ở chỗ đầu ra là một xác suất mà bạn có thể đặt ngưỡng và kiểm toán sau đó, được tạo ra một cách tất định trong một lượt truyền xuôi, thay vì một đoạn văn mà bạn phải suy đoán độ tin cậy từ giọng điệu của nó.

Giao diện mới là sự khác biệt thực sự

• Đầu vào gồm những gì — Glimpse nhận video, hình ảnh và một câu hỏi bằng ngôn ngữ tự nhiên. Intern-Decision-4B nhận một trạng thái chia sẻ, một schema gồm các câu hỏi được đặt tên tường minh và tối đa tám hình ảnh.

• Kết quả đầu ra — Glimpse trả về văn xuôi cùng dấu vết cho biết nó đã nhìn vào đâu trong clip. Intern-Decision-4B trả về một phân phối trên tối đa 62 ký hiệu, tức là một con số cho mỗi lựa chọn và không có gì khác.

• Chi phí đầu ra — một lượt lan truyền xuôi trên một luồng token. Glimpse tính 3,00 đô la cho mỗi triệu token đầu ra và cơ chế của nó cố ý tiêu thêm token để nhìn lại, nên dấu vết chính là hóa đơn. Intern-Decision-4B tạo ra một lượng logit cố định cho mỗi yêu cầu, khiến chi phí đầu ra gần như không đổi thay vì tỷ lệ thuận với độ khó của câu hỏi.

• Kích thước — 4,54 tỷ tham số, đã công bố, có thể tải xuống. Không được công bố đối với Glimpse, vốn chỉ nêu rằng nó "nhỏ hơn và rẻ hơn đáng kể" so với các mô hình tiên tiến trong bảng đánh giá của chính mình.

• Trọng số — mở cho mọi thành viên của dòng Intern-Decision. Không dành cho G​limpse, thứ chỉ tồn tại phía sau API và giao diện trò chuyện của E​lorian.

• Độc lập — hai thứ ấy ở đây ngang nhau, và đều yếu như nhau. Các dòng benchmark của G​limpse là của chính E​lorian, không được tái lập, chạy ở mức nỗ lực suy nghĩ cao nhất của nó để đối đầu với các đối thủ được đánh giá ở mức thấp hơn của họ. Intern-Decision-4B không có bất kỳ đánh giá nào được công bố mà bài viết này có thể tìm thấy; những con số trong cấu hình của nó là hình học attention, chứ không phải độ chính xác.

Giới hạn ẩn trong tokeniser

Đây là con số quyết định liệu Intern-Decision-4B có dùng được cho một công việc cụ thể hay không, và nó không nằm trên bất kỳ tiêu đề nào.

Tháp Qwen 3.5 4B bên dưới khai báo embedding vị trí tối đa là 262.144 token. Engine quyết định bao quanh nó được xây dựng với max_length=8192, và các đầu vào vượt quá mức đó bị từ chối thẳng thay vì bị cắt ngắn. Xét riêng nó, đó là một lựa chọn kỹ thuật có thể biện minh được — việc cắt ngắn âm thầm biến một ngữ cảnh dài thành một câu trả lời sai mà không có lỗi. Nhưng tám hình ảnh cũng tính vào cùng ngân sách 8.192 đó. Trong một quy trình đưa cho mô hình một bộ ảnh chụp màn hình cùng với trạng thái chia sẻ mô tả một trường hợp, mức trần thực tế bị chạm tới sớm hơn nhiều so với mức 262.144 gợi ý, và thất bại là sự từ chối cứng thay vì một câu trả lời bị suy giảm chất lượng.

Bất kỳ ai dự định dùng Intern-Decision-4B để rà soát tài liệu nên kiểm tra ranh giới đó trước khi thiết kế dựa trên nó. Space demo, bộ sưu tập và kho lưu trữ đều không thể truy cập được vào thời điểm bài này được viết, nên cách duy nhất để xác lập mức trần thực sự là tạo các đầu vào và theo dõi xem động cơ từ chối chúng ở đâu.

G​limpse có vấn đề soi gương ở cùng một chỗ. Cửa sổ ngữ cảnh của nó chưa từng được công bố, và khả năng nổi bật nhất của mô hình là đọc video. Một khoảng 0,9 giây vừa trong bất kỳ cửa sổ nào. Một clip dài hai giờ thì không, và không có số liệu được công bố nào cho biết ranh giới nằm ở đâu. Trong cả hai trường hợp, năng lực suy luận được mô tả, còn vật chứa mà nó phải vừa bên trong lại là phần bị bỏ mặc cho phỏng đoán — một sự trùng hợp của những thiếu sót chứ không phải một sự trùng hợp của thiết kế.

Mỗi thứ thực sự giỏi hơn ở điểm nào

Lập luận cụ thể dành cho G​limpse là độ phân giải thời gian. Việc lấy mẫu theo lịch cố định đánh mất bất cứ thứ gì nằm giữa hai khung được lấy mẫu, đó là lý do vì sao lia máy hoặc cắt cảnh, danh tính đối tượng xuyên qua một lần che khuất và các sự kiện dưới một giây là những câu hỏi khó chứ không phải dễ. Nhiều tham số hơn ở tám khung hình mỗi giây không khôi phục được thông tin bị mất; việc dành thêm tính toán cho một khoảng sau khi đã xem toàn bộ clip thì có. Các dấu vết của E​lorian cho thấy mô hình đang làm đúng như vậy, và không gian nháp trực quan khiến quyết định có thể kiểm tra được sau đó — bạn có thể thấy liệu nó có bao giờ quay lại khoảng đã quyết định câu trả lời hay không.

Trường hợp cụ thể cho Intern-Decision-4B là nó loại bỏ hoàn toàn bước phân tích cú pháp khỏi pipeline phân loại. Hãy xét một luồng thẩm định bảo hiểm hoặc sàng lọc hiện đang gọi một mô hình lớn với prompt yêu cầu trả lời bằng một trong năm nhãn, sau đó phân tích cú pháp phản hồi, rồi thử lại khi mô hình trả lời bằng một câu thay vì một nhãn, rồi coi “probably yes” như thể đó là yes. Intern-Decision-4B rút gọn việc đó thành một lượt truyền xuôi trả về năm xác suất. Không cần bộ phân tích cú pháp, không có vòng lặp thử lại, không mơ hồ về ý mà mô hình muốn nói. Nếu ngưỡng cho nhãn thứ ba là 0,7, thì đó là một con số trong mã của bạn chứ không phải một heuristic trong prompt.

Lập luận cho việc không chọn cả hai cũng đáng được nêu ra. Nếu thứ bạn cần là một đoạn văn giải thích chuyện gì đang diễn ra trong một cảnh, Intern-Decision-4B không thể tạo ra nó — nó hoàn toàn không có đường tạo sinh nào. Nếu thứ bạn cần là một quyết định ngưỡng về nội dung ngữ nghĩa của một hình ảnh, G​limpse là một cách đắt đỏ để có được một con số mà lẽ ra bạn có thể có được rẻ hơn, và bảng đánh giá của chính nhà cung cấp nó là bằng chứng rằng việc tua lại phương tiện không cải thiện suy luận về điều mà một cảnh ngụ ý: trên đánh giá Humanity's Sixth Sense của E​lorian, G​limpse đạt 46.36 so với 53.6 của GPT-6 Astra, trên một benchmark do E​lorian xây dựng với Scale AI.

Đặt một trong hai phía sau đường dẫn production

Câu hỏi định tuyến ở đây không phải là về giá, bởi vì hai mô hình không phải là sản phẩm thay thế nhau về giá — một mô hình tính phí theo token, mô hình kia là một lượt truyền xuôi cố định, và cả hai đều không nằm trong danh mục của chúng tôi. Mà là về cái gì đứng trước một mô hình có chế độ lỗi là từ chối cứng.

Intern-Decision-4B từ chối mọi đầu vào vượt quá giới hạn engine của nó. Một pipeline không có phương án dự phòng cho kiểu từ chối ấy sẽ đánh rơi các request. Câu trả lời của OrcaRouter cho dạng vấn đề đó là chuyển đổi dự phòng tự động: một key đứng trước hơn 200 model, với một DSL định tuyến quyết định request nào đi đâu, nhờ đó một request bị engine quyết định từ chối có thể được gửi tới một model sinh văn bản, đọc đúng những đầu vào đó và viết câu trả lời thành văn xuôi. Giá niêm yết của nhà cung cấp được truyền thẳng, không cộng thêm gì cho mỗi token, nên tuyến thứ cấp tốn đúng bằng mức mà nhà cung cấp riêng của nó thu, và thay đổi ngay vào ngày nhà cung cấp đó đổi mức giá. Cùng lớp đó cũng khiến một bản preview chưa được kiểm chứng có thể đem ra thử nghiệm mà không cần thăng cấp: đặt G​limpse lên một tuyến bóng, so sánh các phán quyết của nó với một model bạn đã tin cậy, và chỉ thăng cấp khi các trace cho thấy nó quay về đúng những khoảng quan trọng. Chúng tôi không phục vụ cả hai model — API riêng của E​lorian là nơi G​limpse trú ngụ, còn Intern-Decision-4B là một bản tải về — nên lớp định tuyến đang làm việc trên hình dạng của pipeline, chứ không phải trên tính sẵn có của hai model này.

Điều gì sẽ làm thay đổi câu trả lời

Về G​limpse, có ba điều: một harness độc lập tái tạo một hàng trong bảng của E​lorian, một cửa sổ ngữ cảnh được công bố, và bất kỳ tiết lộ nào về mô hình nền mà công ty đã hậu huấn luyện. Hiện cả ba đều trống.

Với Intern-Decision-4B, có hai điều. Đầu tiên sẽ là tài liệu — ba lượt tải mô hình lên trong bốn mươi giây với một Space không thể truy cập, một collection không thể truy cập và một repository 404 không phải là một bản phát hành, mà là một snapshot đã lọt ra ngoài. Một engine ra quyết định không có số liệu độ chính xác được công bố thì không thể được hiệu chuẩn dựa trên bất cứ thứ gì, và một mô hình trả về xác suất có giá trị đúng bằng mức độ tin cậy mà bạn có thể đặt vào chúng. Việc nâng giới hạn engine hoặc hướng dẫn trung thực về hạn mức hình ảnh sẽ là điều thứ hai, bởi vì mức trần 8.192 token mà âm thầm bao gồm tối đa tám hình ảnh là một bất ngờ về đặc tả đang chực chờ xảy ra trong môi trường production.

Cho đến khi những thứ đó xuất hiện, sự phân chia rất rõ ràng và không liên quan gì đến việc mô hình nào lớn hơn. Nếu công việc của bạn là xem đoạn phim và kể cho một người biết chuyện gì đã xảy ra, với khoảng thời gian quyết định câu trả lời hiển thị rõ trong dấu vết, thì Glimpse là mô hình duy nhất trong hai mô hình có thể làm được điều đó, và việc đăng ký miễn phí khiến cho thử nghiệm trở nên rẻ. Nếu công việc của bạn là phân loại, cho điểm hoặc quyết định dựa trên các lựa chọn được đặt tên và bạn cần một con số đã được hiệu chỉnh cho mỗi lựa chọn thay vì một câu mô tả về chúng, thì Intern-Decision-4B được tạo ra chính xác cho việc đó và không gì khác — hãy chấp nhận rằng nó không có tài liệu, hãy kiểm tra ranh giới 8.192 token sớm, và đừng mong nó tự giải thích, vì nó không có cơ chế để làm điều đó.

Các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive, trong đó mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.