Elorian发布首款模型Glimpse，主打视觉推理能力

Glimpse的核心机制是Elorian所称的“视觉暂存区”（visual scratch space）。与多数多模态模型一次性将图像转为token再以文本推理不同，Glimpse在推理中途可返回原始图像，裁剪特定区域、抽取视频帧，甚至运行代码来测量或比较所见内容，类似人放大照片核对细节。

Elorian CEO Andrew Dai曾在Google DeepMind任职。他举例称，去年拍摄一张桌游照片询问前沿模型谁在赢，模型无法回答。桌游有各自的视觉语言和符号，成人无需文字即可理解，但模型无法推断符号含义。他还提到，人类能只看宜家图解组装家具，AI模型却做不到。

Elorian称，小团队仅用数百张GPU完成Glimpse训练，模型规模远小于所对比的前沿系统。定价为每百万输入token 0.60美元、每百万输出token 3美元，低于Sonnet和Sol等中端模型，高于Haiku和Luna等轻量模型。该公司在六个月前结束隐身，融资由Striker Venture Partners、Menlo Ventures和Altimeter Capital共同领投，Nvidia和Google首席科学家Jeff Dean参投。

Glimpse的初期目标客户是拥有大量视频的公司，包括机器人企业、科学实验室、媒体和创意公司。Elorian的长期计划是从“看见”转向“行动”，即建立场景模型并据此选择动作，包括直接控制机器人。Dai表示，公司明年目标是打造“全球最强的视觉推理模型”，在所有视觉推理测试中领先。