Elorian, une start-up spécialisée dans l’intelligence artificielle basée à Palo Alto, a lancé son premier modèle, Glimpse, en tant que version de recherche accessible via une API et une interface conversationnelle. Le modèle se concentre sur le raisonnement fondé sur le contenu visuel lui-même, plutôt que de convertir une seule fois l’image ou la vidéo en jetons avant de la traiter au moyen d’une description textuelle statique.
Elorian affirme que Glimpse peut, pendant son processus de réflexion, revenir plusieurs fois à la source visuelle, recadrer une partie précise de l’image, extraire certaines images de la vidéo ou exécuter du code pour mesurer et comparer des éléments. La société appelle ce mécanisme un « espace de brouillon visuel », conçu pour permettre au modèle de vérifier des détails qui pourraient échapper à l’analyse initiale.
De la description à l’examen itératif
Andrew Day, directeur général d’Elorian et ancien chercheur chez Google DeepMind, estime que l’incapacité des modèles actuels à comprendre les symboles et les relations visuelles apparaît même dans des situations quotidiennes. Il a raconté avoir testé un modèle avancé au moyen d’une image d’un jeu de société, en lui demandant quel joueur était en tête, mais que le modèle n’avait pas réussi à interpréter visuellement les symboles et les règles du jeu. Day compare cela à la capacité des humains à comprendre des schémas de montage de meubles contenant peu de texte.
L’idée n’est pas entièrement nouvelle : OpenAI a ajouté à ses modèles de la série o, en 2025, un mécanisme de recadrage et de zoom pendant l’inférence. Elorian affirme toutefois que Glimpse a été conçu autour de cette approche dès le départ, tout en conservant un coût d’entraînement inférieur. Selon la société, le modèle a été entraîné par une petite équipe utilisant quelques centaines de processeurs graphiques, et sa taille est également bien inférieure à celle des systèmes de pointe auxquels il a été comparé.
Performances et coût
Selon les évaluations d’Elorian, Glimpse surpasse GPT-6 Astra pour le raisonnement sur des schémas scientifiques et la description de courtes vidéos, et obtient des résultats compétitifs dans d’autres tâches de raisonnement visuel. Ces résultats proviennent des propres évaluations de la société, et la source n’a fourni aucun détail indépendant sur les jeux de données de test ou la méthodologie de comparaison. Ils ne suffisent donc pas, à eux seuls, à démontrer une supériorité générale sur l’ensemble des modèles.
Glimpse coûte environ 0,60 dollar par million de jetons d’entrée et 3 dollars par million de jetons de sortie. Selon la comparaison présentée, il est ainsi moins cher que des modèles intermédiaires tels que Sonnet et Sol, mais plus coûteux que des modèles légers comme Haiku et Luna.
Qu’est-ce qui change concrètement ?
Dans un premier temps, Elorian cible les entreprises qui traitent de grandes quantités de vidéos, notamment les sociétés de robotique, les laboratoires scientifiques ainsi que les entreprises du secteur des médias et de la création. Si les tests indépendants confirment les affirmations de la société, la valeur pratique du modèle réside dans la réduction de la dépendance à la description initiale de l’image et dans la possibilité d’examiner plus précisément les graphiques, les symboles et la succession des événements dans une vidéo.
Elorian a levé un tour d’amorçage de 55 millions de dollars pour une valorisation de 300 millions de dollars avant le lancement de son produit. Striker Venture Partners, Menlo Ventures et Altimeter Capital ont participé au tour, aux côtés de Nvidia et de Jeff Dean, scientifique en chef chez Google. À plus long terme, la société affirme vouloir passer de la vision à l’action en construisant un modèle de la scène et en l’utilisant pour sélectionner une action, notamment pour contrôler directement des robots. Day a également annoncé que la société visait, l’année prochaine, à construire « le meilleur modèle de raisonnement visuel au monde », un objectif ambitieux qui reste tributaire de résultats et de tests dont les détails n’ont pas été présentés intégralement.