Glimpse se při uvažování vrací k obrazu, jeho náskok ale zatím měřil Elorian

Startup Elorian uvedl svůj první model Glimpse jako research preview. API je podle zveřejněných informací dostupné, zatímco chat interface vyžaduje waitlist. Firma model staví na myšlence, že při řešení vizuální úlohy má systém opakovaně pracovat s původním obrazem, nikoli jen s jeho jednorázovým převodem do tokenů.

Glimpse si během odpovědi znovu otevírá obraz i video

Mechanismus nazvaný visual scratch space dovoluje modelu během uvažování oříznout část snímku, vybrat konkrétní frame z videa nebo spustit kód pro měření a porovnání. Elorian tím míří na úlohy, kde detail, prostorový vztah nebo průběh scény nelze spolehlivě zachytit jedním textovým popisem.

Firma tvrdí, že malý tým model vytrénoval na několika stovkách GPU a že je výrazně menší než porovnávané frontier modely. Cena činí 0,60 dolaru za milion vstupních tokenů a 3 dolary za milion výstupních tokenů.

Nejdřív mohou těžit firmy, které už mají hory videa

Elorian zmiňuje jako první zákazníky robotické firmy, vědecké laboratoře, média a kreativní společnosti. Pro ně může být schopnost vracet se ke konkrétním frameům praktičtější než obecně lepší popisek videa. Umožňuje dohledat, z jaké části záznamu závěr vznikl, a zaměřit výpočet na relevantní okamžik.

Samotná technika není úplně nová. TechCrunch připomíná, že OpenAI přidala crop and zoom během reasoning do modelů řady o už v roce 2025. Sázka Elorianu spočívá v tom, že tento postup tvoří základ celého modelu, ne doplňkový nástroj.

Výsledkovou tabulku zatím kontroluje tým, který model prodává

Podle vlastních evaluací Elorianu Glimpse překonává GPT-6 Astra v uvažování nad vědeckými grafy a v popisování krátkých videí. V dalších vizuálních úlohách firma uvádí konkurenceschopné výsledky. Veřejné tvrzení ale zatím nepředstavuje nezávislé ověření a research preview omezuje počet lidí, kteří je mohou zopakovat.

Nejasné zůstává i to, jak se cena za token promítá do práce s videem, kde počet zpracovaných frameů a opakované návraty ke zdroji mohou měnit celkové náklady i latenci. Ceník bez typického workloadu říká jen část příběhu.

Nezávislé testy na dlouhém videu rozhodnou o náskoku

Nejpřesvědčivějším signálem budou reprodukovatelné testy od týmů mimo Elorian. Měly by sledovat nejen přesnost na grafech a krátkých klipech, ale také náklady, latenci, počet použitých frameů a chyby u delších či nejednoznačných scén.

Firma chce časem přejít od vidění k jednání, včetně řízení robotů. Před tímto krokem musí Glimpse ukázat, že visual scratch space funguje i mimo vybrané ukázky a že návrat k obrazu vede ke spolehlivějším rozhodnutím, ne jen k delšímu reasoning trace.

Lilithin verdikt

Glimpse se při zkoumání videa umí vrátit k podezřelému framu a přiblížit si ho. Teď potřebuje cizího rozhodčího, který zkontroluje výsledkovou tabuli dřív, než model dostane do ruky robota.