パロアルトを拠点とするAIスタートアップElorianは、同社初のモデルであるGlimpseを、APIとチャットインターフェースを通じて利用できる研究版として発表した。このモデルは、画像や動画を一度だけトークンに変換して固定的なテキスト記述を介して処理するのではなく、視覚コンテンツそのものに基づく推論に重点を置いている。
Elorianによると、Glimpseは思考プロセス中に視覚ソースへ複数回戻り、画像の特定部分を切り抜き、動画から特定のフレームを抽出し、または要素を測定・比較するためにコードを実行できる。同社はこの仕組みを「視覚的スクラッチパッド」と呼んでおり、初期分析で見落とす可能性のある詳細をモデルが検証できるよう設計されている。
記述から反復的な検査へ
Elorianの最高経営責任者（CEO）で、元Google DeepMind研究者のアンドリュー・デイは、現在のモデルが記号や視覚的な関係を理解できないことは、日常的な場面にも表れると考えている。デイは、ボードゲームの画像を使って先行しているプレーヤーを尋ねることで高度なモデルをテストしたが、モデルは記号やゲームのルールを視覚的に解釈できなかったと述べた。デイはこれを、テキストがほとんどない家具の組み立て図を人間が理解できる能力と比較している。
この考え方は完全に新しいものではない。OpenAIは2025年、oシリーズのモデルに推論中の切り抜きと拡大の仕組みを追加した。しかしElorianは、Glimpseはこの手法を当初から中心に据えて構築されており、訓練コストも低く抑えていると述べている。同社によると、このモデルは数百基のGPUを使い、小規模なチームによって訓練された。また、その規模は比較対象となった主要システムよりはるかに小さいという。
性能とコスト
Elorianの評価によると、Glimpseは科学的な図表の推論と短い動画の説明でGPT-6 Astraを上回り、その他の視覚推論タスクでも競争力のある結果を達成している。これらは同社自身による評価結果であり、情報源はテストセットや比較手法について独立した詳細を示していない。そのため、これだけではすべてのモデルに対する全般的な優位性を証明するには不十分である。
Glimpseの料金は、入力100万トークン当たり約0.60ドル、出力100万トークン当たり3ドルである。提示された比較によれば、これにより同モデルはSonnetやSolのような中規模モデルより安価で、HaikuやLunaのような軽量モデルより高価な位置付けとなる。
実際に何が変わるのか
Elorianは初期段階で、ロボット企業、科学研究所、メディア・クリエイティブ機関など、大量の動画を扱う企業を対象としている。独立したテストによって同社の主張が裏付けられれば、このモデルの実用的な価値は、画像の初期記述への依存を減らし、図表や記号、動画内の出来事の連続をより詳細に検査できる点にある。
Elorianは製品の発表前に、3億ドルの評価額で5,500万ドルのシードラウンドを調達した。このラウンドには、Striker Venture Partners、Menlo Ventures、Altimeter Capitalのほか、NvidiaとGoogleの主任科学者であるジェフ・ディーンが参加した。より長期的には、同社は視覚から行動へ移行し、シーンのモデルを構築して行動の選択に利用することを目指している。これにはロボットの直接制御も含まれる。またデイは、同社が来年「世界最高の視覚推論モデル」の構築を目指すと発表した。これは意欲的な目標だが、詳細が完全には公開されていない結果とテストに依然として左右される。