Glimpse vs LFM2.5 2.6B Base: Một trong những mô hình này không thể trả lời câu hỏi

Glimpse là bản xem trước nghiên cứu về suy luận thị giác của Elorian, phát hành ngày 16 tháng 10 năm 2026, và điểm bán của nó nằm ở một hành vi: trong khi suy nghĩ, nó có thể quay lại bức ảnh hoặc đoạn video, quét lại một khoảng 0,9 giây ở tốc độ khung hình dày hơn, phóng to vào một vùng, hoặc theo dõi một đặc điểm xuyên suốt thời gian, rồi mới trả lời. LFM2.5 2.6B Base là một checkpoint 2,69 tỷ tham số do Liquid AI công bố ngày 4 tháng 8 năm 2026 theo LFM Open License v1.0, và nó hoàn toàn không có tinh chỉnh theo chỉ dẫn — nó chưa từng được huấn luyện để trả lời bất cứ điều gì. Đưa cho nó một câu hỏi và nó sẽ viết tiếp văn bản, một cách hợp lý, theo văn phong của những gì đứng trước. Đó không phải là khuyết điểm hay một bản phát hành còn thiếu; đó chính là đặc tả. Vậy điều đầu tiên cần nói về cặp đôi này là nó không phải màn đối đầu giữa hai mô hình có chất lượng khác nhau. Đó là màn đối đầu giữa một năng lực bạn đi thuê và một nguyên liệu thô bạn tự huấn luyện, và sự thật duy nhất quyết định giữa hai lựa chọn ấy là công việc bạn có là một câu hỏi hay một tập dữ liệu.

Tất cả những điều dưới đây đều suy ra từ đó, bao gồm cả việc chỉ một trong hai cái này có bảng điểm chuẩn — và đó không phải là cái mà người đọc sẽ đoán ra.

Hai đối tượng, được mô tả không kèm phần tiếp thị.

Glimpse không có sản phẩm nào có thể tải về. Elorian không công bố số lượng tham số, không kiến trúc, không cửa sổ ngữ cảnh, và cũng không có tên cho mô hình cơ sở trọng số mở mà họ nói rằng nó đã được huấn luyện tiếp. Những gì tồn tại là một API và một giao diện trò chuyện với đăng ký miễn phí, mức giá $0.60 cho mỗi triệu token đầu vào và $3.00 cho mỗi triệu token đầu ra, cùng một tập các vết suy luận minh họa cho thấy mô hình xem lại bằng chứng thị giác ngay giữa quá trình suy nghĩ. Không gian nháp thị giác của nó — bề mặt nơi nó xem xét lại những gì nó đã thấy — chính là sản phẩm.

LFM2.5 2.6B Base là nghịch đảo chính xác. Nó là một tệp. Ba mươi lớp, trong đó 22 lớp là các khối tích chập ngắn dual-gated và 8 lớp là grouped-query attention; khoảng 34 nghìn tỷ token huấn luyện trên 16 ngôn ngữ; cửa sổ ngữ cảnh 131,072 token; một bản dựng lượng tử hóa khoảng 1.67 GB. Nó chỉ dành cho văn bản, nó dense, và nó cố ý không được chấm điểm, bởi vì chấm điểm một checkpoint cơ sở trên các benchmark tuân theo chỉ dẫn sẽ đo lường sự thiếu hụt tinh chỉnh thay vì chất lượng của nền tảng.

• Những gì bạn nhận được — Glimpse: một API key và một endpoint được host. LFM2.5 2.6B Base: trọng số, tokenizer và giấy phép.

• Phương thức — Glimpse: hình ảnh và video đầu vào, với lấy mẫu tái nhập theo thời gian. LFM2.5 2.6B Base: văn bản đầu vào, văn bản đầu ra.

• Giá — Glimpse 0,60 USD / 3,00 USD mỗi triệu token, do nhà cung cấp công bố. LFM2.5 2.6B Base: không mất phí mỗi lần gọi; bạn tự cung cấp phần cứng.

• Kích thước đã công bố — không được tiết lộ đối với Glimpse, điều bất thường đối với một mô hình được lưu trữ và bản thân đó chính là sự tiết lộ. 2.69B dense cho LFM2.5 2.6B Base, mọi trọng số đều hiển thị trong kho lưu trữ.

• Hành vi mặc định — Glimpse trả lời các câu hỏi về những gì nó đã xem xét. LFM2.5 2.6B Base tiếp tục văn bản của bạn, vì đó chính là những gì quá trình tiền huấn luyện tạo ra.

• Giấy phép — Glimpse là bản xem trước được lưu trữ theo các điều khoản của Elorian. LFM Open License v1.0, miễn phí khi doanh thu hằng năm dưới 10 triệu USD và yêu cầu giấy phép riêng khi đạt hoặc vượt ngưỡng đó.

Tại sao chỉ một trong số này có bảng điểm

Đây là phần có vẻ ngược đời. Mô hình không có trọng số, không công bố kích thước và không được đánh giá độc lập lại công bố một bảng benchmark mười hai dòng so với GPT-6 Astra. Mô hình có mọi trọng số được công bố và kiến trúc được tài liệu hóa đầy đủ lại không công bố gì.

Cả hai chỗ trống đều hợp lý, và chúng mang ý nghĩa trái ngược nhau, nên đáng để tách chúng ra.

Bảng của Glimpse do nhà cung cấp tự báo cáo và chưa được tái lập — những con số của chính Elorian, đối chiếu với lựa chọn đối thủ của chính họ, được chạy ở mức suy luận cao nhất của mô hình với harness agent gốc của nó, kèm một chú thích tiết lộ rằng một số đối thủ được chạy dưới mức nỗ lực tối đa của họ và rằng hàng HSS có trộn lẫn các số liệu được báo cáo trong bài báo từ các phòng thí nghiệm khác. Đọc như một tuyên bố về xu hướng thì nó mang tính thông tin; đọc như một điểm số thì nó chưa phải là bằng chứng, bởi chưa có ai bên ngoài công ty chạy nó. Và chỗ bảng này hữu ích nhất lại chính là chỗ nó không mấy hay ho: Glimpse đạt 46,36 trên Humanity's Sixth Sense so với 53,6 của Astra, trên một benchmark do chính Elorian xây dựng cùng Scale AI. Rewind mua được khả năng nhận biết — đếm, đọc biểu đồ, theo dõi một vật thể xuyên qua chuyển động — chứ không mua được khả năng suy luận về hàm ý của một cảnh.

Ô trống của LFM2.5 2.6B Base khác về bản chất. Không có gì để chấm điểm cả. Một checkpoint base không có hành vi; nó có một phân phối. Liquid AI thay vào đó đánh giá phiên bản cùng dòng đã qua huấn luyện hậu kỳ, đây là quyết định kỹ thuật đúng đắn và không cho bạn biết chút nào về việc nền tảng đó có phù hợp với tác vụ của bạn hay không.

Sự bất đối xứng đó có một hệ quả thực tiễn. Với Glimpse, câu hỏi đánh giá là "liệu tuyên bố của nhà cung cấp có trụ được với clip của tôi không". Với LFM2.5 2.6B Base, câu hỏi đánh giá là "liệu tôi có thể huấn luyện nó thành một thứ hoạt động được không" — và câu hỏi thứ hai có thể được trả lời ngay hôm nay, do chính bạn, với cái giá chỉ là một lần tải xuống. Bản dựng 1.67 GB vừa vặn trên một chiếc laptop; vòng lặp huấn luyện mới là phần việc.

Các đơn vị không tự chuyển đổi, vì vậy hãy chuyển đổi chúng bằng tay.

Không thể so sánh trực tiếp giá theo mỗi token với một bản tải xuống miễn phí, và đó chính là chỗ mà hầu hết các kiểu so sánh như vậy âm thầm gian lận. Cách trung thực là chọn một tác vụ rồi định giá cả hai con đường.

Lấy một tác vụ hẹp, khối lượng lớn mà một bản fine-tune nhỏ thực sự làm tốt: đọc một loại tài liệu cố định và xuất ra JSON có cấu trúc, chạy 50 triệu token mỗi tháng, gần một nửa đầu vào và một nửa đầu ra. Trên Glimpse, chi phí khoảng 90 đô la một tháng — 15 đô la cho đầu vào ở mức 0,60 đô la mỗi triệu token, 75 đô la cho đầu ra ở mức 3,00 đô la — cộng thêm thời gian kỹ thuật để viết prompt và kiểm chứng. Với LFM2.5 2.6B Base, suy luận là miễn phí, và hóa đơn chuyển toàn bộ về phía trước: tập hợp vài nghìn ví dụ đã gán nhãn, một lần chạy huấn luyện trên GPU của riêng bạn, một bộ đánh giá, và chạy lại mỗi khi định dạng tài liệu thay đổi.

Có hai điều rút ra từ phép tính đó mà rất dễ bị bỏ sót.

Điều đầu tiên là việc tinh chỉnh chỉ thắng về mặt chi phí khi vượt qua một ngưỡng khối lượng, và ngưỡng đó được quyết định bởi mức độ kỹ thuật mà nhóm của bạn có thể đảm nhận, chứ không phải bởi bất cứ điều gì Liquid AI công bố. Một nhóm không có năng lực huấn luyện thì hoàn toàn không có điểm hòa vốn ở phía đó của phép so sánh, một thực tế rất thật và thường mang tính quyết định.

Điều thứ hai là những tuyên bố về giá của chính Glimpse lại nhắm vào một nơi hoàn toàn khác. Elorian định vị mức $0.60/$3.00 là thấp hơn 94% so với GPT-6 Astra ở $10/$50 và thấp hơn 85% so với Claude Opus 5.5 ở $4/$20. So với các mẫu chủ lực tiên tiến, Glimpse rẻ. So với phân khúc mô hình nhỏ — một checkpoint 2.6B do bạn sở hữu, hay một lựa chọn khối lượng lớn như Qwen3.8-Flash của A​libaba ở mức $0.15/$0.47 — thì nó lại là phía đắt đỏ trong so sánh, và bài viết bên cạnh bài này về Q​wen 3.8 sẽ làm rõ điều đó bằng bảng giá thực tế. Tuyên bố giảm giá của nhà cung cấp luôn là tương đối so với nhóm so sánh mà nhà cung cấp đã chọn.

Cách bạn thực sự sẽ chạy bài kiểm tra

So sánh ở trên chỉ có ý nghĩa nếu có thể chạy nó với chi phí thấp, và rào cản thực tế là hai phía nằm ở những hệ thống khác nhau: một endpoint được host với một key duy nhất, và một vòng lặp huấn luyện kết thúc bằng một mô hình mà bạn phải phục vụ ở đâu đó. Biến điều đó thành một thử nghiệm A/B trên chính khối lượng công việc của bạn là lúc một lớp định tuyến chứng minh được giá trị của mình, và lập luận này vẫn giống nhau dù bạn đang so sánh một bản fine-tune với một API hay hai API với nhau.

OrcaRouter đặt một endpoint văn bản và mọi mô hình đã công bố cạnh nhau dưới một khóa duy nhất — hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển nguyên vẹn, không cộng thêm gì trên mỗi token, một hóa đơn, và chuyển đổi dự phòng tự động để một buổi chiều tồi tệ của nhà cung cấp không trở thành buổi chiều tồi tệ trong đánh giá của bạn. Cả Glimpse lẫn LFM2.5 2.6B Base đều không nằm trong danh mục đó, và không có biến thể LFM2.5 nào: Glimpse đến từ API và giao diện trò chuyện của chính Elorian, còn checkpoint Liquid đến từ Liquid AI, cả hai đều là thứ bạn có được trực tiếp. Điều mà lớp định tuyến thay đổi chính là nhóm đối chứng. Khi câu hỏi là "bản tinh chỉnh của tôi có thực sự tốt hơn việc chỉ gọi một thứ gì đó hay không," bạn muốn "thứ gì đó" ấy là một thay đổi cấu hình thay vì một chu kỳ mua sắm, bởi vì thí nghiệm bạn có thể chạy ngay chiều nay là thí nghiệm duy nhất tạo ra một con số.

Điều mà tinh chỉnh không thể giúp bạn đạt được, dù ở bất kỳ quy mô nào

Đây là phần của sự so sánh không thể quy về một câu hỏi chi phí, và đó là lý do hai thứ này không thể thay thế cho nhau ở cả hai chiều.

Khả năng của Glimpse mang tính thời gian và thị giác. Danh tính đối tượng xuyên qua một cắt cảnh, một sự kiện trong cửa sổ dưới một giây, một phép đếm thay đổi khi có thứ gì đó che khuất — một cơ chế tua lại xử lý trực tiếp những điều đó, và các dấu vết cho thấy liệu mô hình có thực sự quét lại khoảng thời gian quan trọng hay không. Không lượng tinh chỉnh nào trên một checkpoint chỉ-văn-bản 2.69B tạo ra được hành vi đó, bởi vì nền tảng không có đầu vào video và không có cơ chế để tiêu tốn thêm tính toán cho một khoảng thời gian cụ thể sau lượt chạy đầu tiên. Bạn không thể huấn luyện để bước vào một kiến trúc mà bạn không xây dựng.

Điều ngược lại cũng đúng không kém. Một bản xem trước được host mà số lượng tham số, cửa sổ ngữ cảnh và mô hình cơ sở đều không được công bố thì không phải thứ bạn có thể đưa vào một sản phẩm chịu quy định, chạy air-gapped, hay đảm bảo tính sẵn sàng của nó. Và bảng giá của một bản xem trước nghiên cứu có thể thay đổi bất cứ lúc nào, điều đó thì ổn cho một bản dùng thử và lại bất tiện cho một mô hình chi phí.

Vậy nên tóm tắt trung thực không phải là cái này tốt hơn cái kia. Mà là một nhóm có nhiệm vụ văn bản và một bộ dữ liệu thì nên xem checkpoint, một nhóm có câu hỏi thị giác có yếu tố thời gian thì nên xem bản xem trước, còn một nhóm không có cả hai thì chưa có lý do gì để so sánh chúng.

Ba điều kiện, và mỗi điều ngụ ý điều gì

Nếu tác vụ của bạn có phạm vi hẹp, chỉ liên quan đến văn bản và bạn đã có — hoặc có thể mua — vài nghìn ví dụ đã gán nhãn, thì LFM2.5 2.6B Base là đối tượng giá trị hơn, vì cuối cùng bạn sở hữu chính sản phẩm đó và trả tiền điện thay vì trả tiền token. Trước tiên hãy tải bản dựng 1.67 GB và xác nhận thứ đó chạy được trên phần cứng của bạn trước khi bạn lên bất kỳ kế hoạch nào xoay quanh nó. Bước đó tốn một buổi chiều.

Nếu chế độ lỗi của bạn mang tính thời gian — mô hình đã nhìn nhưng không nhìn đủ kỹ — thì Glimpse là mô hình được lưu trữ đầu tiên có cơ chế được công bố nhắm trực tiếp vào điều đó, và việc đăng ký miễn phí khiến cho phép thử trở nên rẻ. Hãy chạy clip của riêng bạn, rồi đọc vùng nháp: nếu nó chưa từng quét lại khoảng thời gian đã quyết định câu trả lời, thì bạn đã học được điều gì đó về pipeline của mình chứ không chỉ về mô hình.

Nếu bạn vẫn chưa biết mình thuộc nhóm nào trong hai nhóm đó, thì thứ tự thực hiện đã được định sẵn: hãy chạy mô hình được host trước, vì nó trả lời trong một buổi chiều điều mà một dự án tinh chỉnh phải mất một tháng mới trả lời được. Nền tảng vẫn luôn sẵn có. Nó vẫn sẽ là một bản tải xuống 1,67 GB vào quý sau, và thứ duy nhất bạn phải bỏ ra chính là khoảng thời gian lẽ ra bạn đã dùng để tổng hợp một tập dữ liệu cho một tác vụ mà một lệnh gọi API có thể đã bao quát được.

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