总部位于帕洛阿尔托的人工智能初创公司Elorian推出了其首个模型Glimpse，作为一个研究版本，并可通过应用程序编程接口和聊天界面访问。该模型专注于依靠视觉内容本身进行推理，而不是将图像或视频一次性转换为标记，再通过固定的文本描述进行处理。
Elorian称，Glimpse能够在思考过程中多次返回视觉源，裁剪图像中的特定部分，从视频中提取特定帧，或运行代码来测量和比较元素。公司将这一机制称为“视觉草稿空间”，旨在让模型能够核查初步分析可能遗漏的细节。
从描述到反复检查
Elorian首席执行官、前Google DeepMind研究员安德鲁·戴认为，当前模型无法理解符号和视觉关系，即使在日常场景中也会表现出来。他提到，自己曾通过一张棋盘游戏的图片测试一个先进模型，询问哪位玩家处于领先位置，但该模型无法从视觉上解释符号和游戏规则。戴将此与人类理解没有太多文字的家具组装图的能力进行了比较。
这一想法并非全新；OpenAI已于2025年将推理过程中的裁剪和放大机制加入其o系列模型。但Elorian称，Glimpse从一开始就是围绕这一方式构建的，同时保持较低的训练成本。公司表示，该模型由一个小团队使用数百个图形处理单元进行训练，其规模也比用于比较的领先系统小得多。
性能与成本
根据Elorian的评测，Glimpse在科学图表推理和短视频描述方面胜过GPT-6 Astra，并在其他视觉推理任务中取得具有竞争力的结果。这些结果来自公司自身的评测，来源未提供有关测试集或比较方法的独立细节，因此仅凭这些结果不足以证明其总体上胜过所有模型。
Glimpse的成本约为每百万输入标记0.60美元、每百万输出标记3美元。根据所提供的比较，这使其比Sonnet和Sol等中型模型更便宜，但比Haiku和Luna等轻量模型更昂贵。
实际会发生什么变化？
Elorian第一阶段的目标客户是处理大量视频的企业，包括机器人公司、科学实验室以及媒体和创意机构。如果独立测试能够证实公司的说法，该模型的实际价值在于减少对图像初步描述的依赖，并能够更详细地检查图表、符号以及视频中的事件序列。
Elorian在产品发布前完成了一轮5500万美元的种子融资，估值达到3亿美元。Striker Venture Partners、Menlo Ventures和Altimeter Capital，以及英伟达和Google首席科学家杰夫·迪恩参与了本轮融资。从长期来看，公司称希望从视觉走向行动，即构建场景模型并利用它选择行动，包括直接控制机器人。戴还宣布，公司计划在明年打造“世界上最好的视觉推理模型”，这是一个雄心勃勃的目标，仍取决于尚未完整披露细节的结果和测试。