Главное в материале

  • Elorian выпустила первую модель Glimpse в виде research preview с API-доступом; чат-интерфейс — только по листу ожидания.
  • Модель использует «визуальное черновое пространство»: в ходе рассуждений кадрирует области, извлекает кадры видео и запускает код для измерений и сравнений.
  • Цены: $0,60 за миллион входных токенов и $3 за миллион выходных — дешевле моделей уровня Sonnet и Sol, дороже Haiku и Luna.

Модель, которая «смотрит» во время рассуждения

Стартап Elorian из Пало-Альто, собравший seed-раунд в $55 млн при оценке $300 млн ещё до запуска продукта, в пятницу выпустил свою первую модель — Glimpse, сообщает TechCrunch. Модель доступна в статусе research preview через API, а чат-интерфейс работает только по листу ожидания. Ставка компании: современные модели, при всей их силе в языке и коде, по-настоящему «не видят». Большинство мультимодальных моделей обрабатывают изображение один раз, переводя его в токены, и дальше рассуждают текстом — как человек, описывающий фото по памяти. Glimpse же возвращается к исходному изображению: в процессе рассуждения она может кадрировать область, извлекать нужные кадры из видео или запускать код для измерений и сравнений. Этот механизм Elorian называет «визуальным черновым пространством» (visual scratch space) — по аналогии с человеком, который щипком приближает фото на телефоне, чтобы проверить, что он увидел.

Мотивация основателя

Генеральный директор Elorian Эндрю Дай, ранее исследователь Google DeepMind, рассказал TechCrunch, что одним из признаков того, что ИИ не умеет по-настоящему видеть, стала для него игровая ночь: год назад он сфотографировал настольную игру после партии с друзьями и спросил у frontier-модели, кто выигрывает, — модель не смогла ответить. По его словам, у настольных игр «каждая своя визуальная язык, своя иконография, символы», и взрослому легко понять происходящее почти без текста, а модели не могут интуитивно понять значение символов. «Люди могут смотреть на схемы IKEA без текста и собирать мебель. Почему этого не могут модели ИИ?» — сказал Дай.

Подход не нов, но заявлена дешевизна

Идея не полностью оригинальна: OpenAI добавила кадрирование и зум в процессе рассуждения в свои модели серии o в 2025 году. Однако Elorian утверждает, что построила вокруг этого механизма всю модель и сделала это дёшево: по словам компании, небольшая команда обучила Glimpse на нескольких сотнях GPU, а сама модель существенно меньше frontier-систем, с которыми она сравнивается в бенчмарках.

Цены и результаты тестов

Glimpse стоит $0,60 за миллион входных токенов и $3 за миллион выходных — это дешевле моделей среднего уровня вроде Sonnet и Sol, но дороже лёгких моделей вроде Haiku и Luna. По собственным оценкам Elorian, Glimpse превосходит даже GPT-6 Astra в рассуждении над научными графиками и кратком описании видео, показывая конкурентные результаты на других задачах визуального рассуждения. Стоит учитывать, что эти данные приводит сама компания.

Инвесторы и планы

Elorian вышла из стелс-режима шесть месяцев назад с раундом, со-лидерами которого были Striker Venture Partners, Menlo Ventures и Altimeter Capital; участие также приняли Nvidia и главный учёный Google Джефф Дин. Первоначальные целевые клиенты — компании с большими объёмами видео: производители роботов, научные лаборатории, медиа и креативные компании. В долгосрочной перспективе Elorian хочет перейти от «видения» к «действию»: строить модель сцены и использовать её для выбора действий, включая прямое управление роботами. По словам Дая, в следующем году компания aiming создать «лучшую в мире модель визуального рассуждения», лидирующую во всех тестах этой области.