Glimpse发布，主攻图表与视频视觉推理

据 TechCrunch 独家获悉，总部位于帕洛阿尔托的 AI 创业公司 Elorian 于周五发布了首款模型。这家公司在尚未推出产品时，就以 3 亿美元估值完成了 5500 万美元的种子轮融资。

这款名为 Glimpse 的模型以研究预览版形式推出，提供 API 访问和聊天界面。它背后的核心判断是什么？如今的 AI 模型虽然擅长语言和代码，却依然无法真正看懂眼前的东西。

大多数多模态模型只看一次图像，将其转换为 token，然后就用文字进行推理——就像凭记忆描述一张照片。Glimpse 则会不断回到原始素材。在推理过程中，它可以裁剪图像中的某个区域、提取视频中的特定帧，或运行代码，对眼前的内容进行测量或比较。Elorian 将这套机制称为“视觉草稿空间”（visual scratch space）。你可以把它想象成：有人在手机照片上用双指放大，仔细确认自己刚才看到的究竟是什么。

Elorian CEO Andrew Dai 曾是 Google DeepMind 的研究员。对他来说，最能说明 AI 依然无法真正看懂图像的一次经历，发生在一场桌游聚会上。

去年，他和朋友刚玩完一局桌游，便拍了张照片，问一个前沿模型谁占上风。模型答不上来。他告诉 TechCrunch，桌游“各有各的视觉语言，各有各的图标和符号”。“成年人只需要很少的文字，就能轻松理解局面，但这些模型无法直观领会那些符号的含义。”

“人类看着没有文字的 Ikea 示意图，就能把 Ikea 家具组装起来，对吧？为什么 AI 模型做不到？”他说。

这种方法并非全新——OpenAI 在 2025 年就为 o-series 模型加入了推理过程中的裁剪和缩放能力——但 Elorian 的卖点是，它以较低成本，围绕这套机制构建了整个模型。该公司表示，一个小团队仅用数百块 GPU 就训练出了 Glimpse，而且它的规模明显小于参与对比测试的前沿模型。

Glimpse 的输入价格为每百万 token 0.60 美元，输出价格为每百万 token 3 美元，比 Sonnet 和 Sol 这类中档模型便宜，但比 Haiku 和 Luna 这类轻量模型贵。

不过，根据 Elorian 自己的评测，Glimpse 在科学图表推理和短视频描述任务上，甚至超过了 GPT-6 Astra，在其他视觉推理任务上也取得了有竞争力的成绩。

六个月前，Elorian 结束隐身模式，公开亮相，同时宣布完成一轮融资，由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 共同领投，Nvidia 和 Google 首席科学家 Jeff Dean 也参与了投资。

公司最初瞄准的是拥有大量视频的企业和机构：机器人公司、科研实验室、媒体和创意公司。从更长远来看，Elorian 希望从“看懂”走向“行动”：先建立场景模型，再以此选择行动，甚至直接控制机器人。Dai 表示，公司计划在明年打造“全球最好的视觉推理模型”，在每一项视觉推理测试中都取得领先。