Elorian prezentuje Glimpse, model AI, który rozumuje na podstawie obrazów

Elorian, startup AI z siedzibą w Palo Alto, wydał swój pierwszy model, Glimpse, w piątek 16 października 2026 roku. Model jest dostępny jako podgląd badawczy przez API, a jego interfejs czatu jest otwarty wyłącznie dla osób z listy oczekujących.

Firma twierdzi, że obecne modele AI, choć radzą sobie coraz lepiej z tekstem i kodem, wciąż mają trudności z prawdziwym widzeniem. Większość systemów multimodalnych przetwarza obraz jednorazowo, zamienia go na tokeny, a następnie rozumuje już wyłącznie w tekście. Glimpse zaprojektowano tak, by podczas rozwiązywania problemu wielokrotnie wracał do oryginalnego materiału wizualnego.

Wizualna przestrzeń robocza

Elorian nazywa ten mechanizm „wizualną przestrzenią roboczą”. Podczas rozumowania Glimpse może przycinać i powiększać fragmenty obrazu, wyodrębniać wybrane klatki z nagrania wideo lub uruchamiać kod, aby zmierzyć i porównać to, co widzi. Pomysł ma precedens: w 2025 roku OpenAI wyposażyło swoje modele serii o w możliwość przycinania i powiększania obrazu podczas rozumowania. Elorian twierdzi, że jego wyróżnikiem jest zbudowanie całego modelu wokół tej techniki i zrobienie tego tanim kosztem.

Dyrektor generalny Andrew Dai, dawniej badacz Google DeepMind, częściowo przypisuje powstanie projektu wieczorowi z grami planszowymi sprzed roku, kiedy to zaawansowany model nie potrafił określić na podstawie zdjęcia stołu, kto wygrywa. Jak mówi, gry opierają się na własnych symbolach, które dorośli łatwo rozumieją, ale modele nie potrafią ich zinterpretować. „Ludzie potrafią spojrzeć na instrukcje Ikei, pozbawione tekstu, i złożyć mebel Ikea” – powiedział Dai.

Według Elorian niewielki zespół wytrenował Glimpse na kilkuset procesorach graficznych, a model jest znacznie mniejszy od czołowych systemów, z którymi jest porównywany. Własne oceny firmy pokazują, że Glimpse przewyższa GPT-6 Astra w rozumowaniu na podstawie wykresów naukowych i w krótkich opisach nagrań wideo, a w pozostałych testach rozumowania wizualnego osiąga konkurencyjne wyniki. Wyniki te nie zostały jeszcze niezależnie zweryfikowane.

Ceny, inwestorzy i ambicje

Glimpse kosztuje 0,60 dolara za milion tokenów wejściowych i 3 dolary za milion tokenów wyjściowych. To mniej niż modele średniej klasy, takie jak Sonnet czy Sol, ale więcej niż lekkie rozwiązania, jak Haiku czy Luna. Elorian wyszedł z ukrycia sześć miesięcy temu, po pozyskaniu 55 milionów dolarów w rundzie seed przy wycenie 300 milionów dolarów, zanim wprowadził jakikolwiek produkt. Rundę współprowadziły Striker Venture Partners, Menlo Ventures i Altimeter Capital, a udział wzięli także Nvidia oraz główny naukowiec Google Jeff Dean.

Pierwszymi klientami mają być prawdopodobnie organizacje dysponujące dużymi archiwami wideo, m.in. firmy robotyczne, laboratoria naukowe, media i firmy kreatywne. Z czasem Elorian chce, by jego modele przeszły od percepcji do działania, budując reprezentację sceny i wykorzystując ją do wyboru działań, w tym bezpośredniego sterowania robotami. Dai powiedział, że celem na przyszły rok jest model, który przewodzi w każdym teście rozumowania wizualnego.