Elorian выпустила Glimpse: нейросеть, которая пересматривает изображения по ходу рассуждений

Elorian, стартап из Пало-Альто, который до выхода продукта привлёк $55 млн на seed-раунде при оценке в $300 млн, выпустил первую модель Glimpse. Об этом TechCrunch узнал эксклюзивно. Модель запущена как исследовательская версия (research preview) с доступом через API и чат-интерфейсом.

Тезис компании: нынешние ИИ-модели, при всём мастерстве в языке и коде, по-настоящему не умеют видеть. Большинство мультимодальных моделей смотрят на изображение один раз, превращают его в токены и дальше рассуждают о нём текстом, как будто описывают фото по памяти. Glimpse, наоборот, постоянно возвращается к первоисточнику. По ходу рассуждений он может вырезать нужную область, вытащить отдельные кадры из видео или запустить код, чтобы измерить или сравнить то, что видит. Elorian называет этот механизм «визуальным черновиком» (visual scratch space). TechCrunch сравнивает это с тем, как человек увеличивает фото на телефоне, чтобы перепроверить увиденное.

Генеральный директор Elorian Эндрю Дай, бывший исследователь Google DeepMind, рассказал, что одно из самых наглядных свидетельств слабого зрения ИИ увидел за игровым вечером. В прошлом году Дай сфотографировал настольную игру, которую только что закончил с друзьями, и спросил у передовой модели, кто выигрывает. Модель не смогла ответить. По словам Дая, у каждой настольной игры свой визуальный язык, свои значки и символы; взрослому легко понять происходящее почти без текста, а модели не могут интуитивно понять, что означают символы.

Подход не совсем новый: OpenAI добавила кадрирование и увеличение во время рассуждений в свои модели серии o ещё в 2025 году. Но Elorian утверждает, что построила вокруг этой идеи всю модель и сделала это дёшево. По данным компании, небольшая команда обучила Glimpse на нескольких сотнях GPU, а сама модель заметно меньше передовых систем, с которыми её сравнивают.

API Glimpse стоит $0,60 за миллион входных токенов и $3 за миллион выходных токенов. Это дешевле «средних» моделей вроде Sonnet и Sol, но дороже лёгких моделей вроде Haiku и Luna. По собственным тестам Elorian, Glimpse обходит даже GPT-6 Astra в рассуждениях по научным графикам и в подписывании коротких видео, а в остальных задачах визуальных рассуждений показывает сопоставимые результаты.

Elorian вышла из режима секретности полгода назад. Раунд возглавили Striker Venture Partners, Menlo Ventures и Altimeter Capital, участвовали Nvidia и главный научный сотрудник Google Джефф Дин. Первые клиенты, на которых нацелена компания, те, у кого много видео: робототехнические фирмы, научные лаборатории, медиа и креативные компании. В долгосрочной перспективе Elorian хочет перейти от «видеть» к «действовать»: строить модель сцены и выбирать по ней действие, в том числе напрямую управлять роботами. В следующем году, по словам Дая, компания намерена создать «лучшую в мире модель визуальных рассуждений», лидирующую в каждом тесте на визуальные рассуждения.

Ключевые факты

Elorian (Пало-Альто, seed-раунд $55 млн при оценке $300 млн) выпустила первую модель Glimpse как research preview с API и чатом.
Glimpse по ходу рассуждений возвращается к исходному изображению: кадрирует область, вытаскивает кадры из видео, запускает код для измерений и сравнений («визуальный черновик»).
Цена API: $0,60 за млн входных и $3 за млн выходных токенов; дешевле Sonnet и Sol, дороже Haiku и Luna.
По собственным тестам Elorian, Glimpse превосходит GPT-6 Astra на научных графиках и в подписывании коротких видео; в остальном результаты сопоставимы.
Первые цели, компании с большим объёмом видео; в перспективе, управление роботами.

Почему это важно

Glimpse ставит на то, что слабое место мультимодальных моделей, единственный взгляд на изображение с последующим рассуждением только текстом. Идея сама по себе не новая: OpenAI добавила кадрирование и увеличение во время рассуждений в модели серии o в 2025 году. Новизна в том, что, по словам Elorian, вся модель построена вокруг такого механизма, причём небольшой командой на нескольких сотнях GPU и в размере заметно меньше передовых систем. Если это подтвердится, это довод в пользу того, что визуальные рассуждения можно улучшать архитектурой, а не только масштабом.

Кому это важно

Прежде всего компаниям, у которых много видео: робототехническим фирмам, научным лабораториям, медиа и креативным студиям, именно их Elorian называет первыми целями. Также тем, кто следит за конкуренцией в мультимодальных моделях и за тем, как инвесторы (Striker Venture Partners, Menlo Ventures, Altimeter Capital, Nvidia, Джефф Дин) оценивают стартап ещё до выхода продукта.

Как это применить

Glimpse доступен как research preview через API и чат-интерфейс. Цена API: $0,60 за миллион входных токенов и $3 за миллион выходных. Для сравнения: дешевле «средних» моделей вроде Sonnet и Sol, но дороже лёгких Haiku и Luna. Разумно проверять модель на собственных задачах с видео и диаграммами, где важно перепроверять детали изображения: измерения, сравнение областей, выбор кадров. Сроков общего доступа и условий preview в источнике нет.

Можно ли доверять

Сведения идут из эксклюзивного материала TechCrunch и со слов компании. Превосходство над GPT-6 Astra на научных графиках и в подписывании коротких видео, результат собственных тестов Elorian; названия бенчмарков, баллы и отрыв не приведены, независимой проверки в тексте нет. Размер модели описан только как «заметно меньше» передовых систем, без числа параметров. Обещание «лучшей в мире модели визуальных рассуждений» в следующем году, заявленная цель, а не результат.

Риски и подводные камни

Главная оговорка: цифры по качеству получены самой компанией, а сравнение идёт с избранными задачами (научные графики, короткие видео), по остальным заявлены лишь сопоставимые результаты. Цена выше, чем у лёгких моделей, поэтому выигрыш зависит от того, насколько задача требует именно визуальных рассуждений. Планы по управлению роботами, долгосрочные, сроков в источнике нет. Это исследовательская версия, а не готовый коммерческий релиз.

«Люди могут посмотреть на схемы Ikea без текста и собрать мебель Ikea, верно? Почему этого не могут ИИ-модели?»

— Эндрю Дай, генеральный директор Elorian, в разговоре с TechCrunch