Elorian stellt Glimpse vor, ein KI-Modell, das mit Bildern argumentiert

Elorian, ein KI-Start-up mit Sitz in Palo Alto, hat am Freitag, dem 16. Oktober 2026, sein erstes Modell Glimpse veröffentlicht. Das Modell ist als Forschungsvorschau über eine API verfügbar, während die Chat-Oberfläche nur Personen auf einer Warteliste offensteht.

Das Unternehmen argumentiert, dass aktuelle KI-Modelle, so leistungsfähig sie bei Text und Code auch sind, Bilder noch nicht wirklich sehen können. Die meisten multimodalen Systeme verarbeiten ein Bild einmal, wandeln es in Tokens um und schlussfolgern anschließend nur noch in Text. Glimpse ist so konzipiert, dass es bei der Lösung eines Problems immer wieder auf das ursprüngliche visuelle Material zurückgreift.

Ein visueller Notizbereich

Elorian nennt den Mechanismus einen "visuellen Notizbereich". Während der Schlussfolgerung kann Glimpse einen Bildausschnitt zuschneiden und vergrößern, ausgewählte Einzelbilder aus einem Video extrahieren oder Code ausführen, um das Gesehene zu messen und zu vergleichen. Die Idee hat Vorläufer: OpenAI hat seinen o-Modellen im Jahr 2025 die Fähigkeit gegeben, während der Schlussfolgerung Ausschnitte zuzuschneiden und zu vergrößern. Elorian sieht seinen Unterschied darin, das gesamte Modell um diese Technik herum aufgebaut zu haben, und das zudem günstig.

Firmenchef Andrew Dai, ein ehemaliger Forscher von Google DeepMind, führt das Projekt unter anderem auf einen Brettspielabend im vergangenen Jahr zurück. Damals konnte ein Spitzenmodell anhand eines Fotos des Spieltischs nicht erkennen, wer gewann. Dai sagt, Spiele beruhen auf eigenen Symbolen, die Erwachsene leicht verstehen, Modelle aber nicht richtig deuten können. "Menschen können sich Ikea-Anleitungen ganz ohne Text ansehen und Ikea-Möbel zusammenbauen", sagte Dai.

Laut Elorian hat ein kleines Team Glimpse mit einigen hundert GPUs trainiert. Das Modell ist deutlich kleiner als die Spitzensysteme, mit denen es verglichen wird. Die eigenen Auswertungen des Unternehmens zeigen, dass Glimpse GPT-6 Astra beim Schlussfolgern über wissenschaftliche Diagramme und bei der Untertitelung kurzer Videos übertrifft und bei anderen visuellen Reasoning-Benchmarks konkurrenzfähige Ergebnisse erzielt. Diese Ergebnisse wurden bisher nicht unabhängig überprüft.

Preise, Geldgeber und Ziele

Glimpse kostet 0,60 US-Dollar pro Million Eingabe-Tokens und 3 US-Dollar pro Million Ausgabe-Tokens. Damit liegt das Modell unter Mittelklasse-Modellen wie Sonnet und Sol, aber über leichten Optionen wie Haiku und Luna. Elorian ist vor sechs Monaten aus dem Stealth-Modus aufgetaucht, nachdem das Unternehmen vor der Auslieferung eines Produkts eine Seed-Finanzierung von 55 Millionen US-Dollar bei einer Bewertung von 300 Millionen US-Dollar eingesammelt hatte. Striker Venture Partners, Menlo Ventures und Altimeter Capital haben die Runde gemeinsam angeführt, außerdem beteiligten sich Nvidia und Jeff Dean, Chefwissenschaftler von Google.

Erste Kunden dürften Organisationen mit großen Videoarchiven sein, darunter Robotik-Unternehmen, wissenschaftliche Labore, Medienhäuser und Kreativagenturen. Langfristig will Elorian seine Modelle von der Wahrnehmung zur Handlung führen: Sie sollen eine Repräsentation einer Szene aufbauen und diese nutzen, um Aktionen auszuwählen, einschließlich der direkten Steuerung von Robotern. Dai sagte, das Ziel für nächstes Jahr sei ein Modell, das jeden visuellen Reasoning-Benchmark anführt.