Elorian 正式发布其首个 AI 模型 Glimpse，以研究预览形式开放 API 访问，聊天界面仍在候补名单中。这家 Palo Alto 初创公司在产品尚未发布时就完成了 5500万美元种子轮，估值 3亿美元。Glimpse 的核心主张是：当前的多模态模型并没有真正“看见”。大多数模型只是把图像看一遍，转成 token，再在文本里推理，相当于凭记忆描述照片。Glimpse 则会在推理过程中不断回到原始图像，可以裁剪特定区域、从视频中抽取帧，甚至运行代码来测量或比对所看到的内容。Elorian 把这种机制称为 visual scratch space，类似在手机上捏合缩放照片，反复确认自己刚才看到的东西。

CEO Andrew Dai 曾任职 Google DeepMind。他给出的例子很直观：去年他和朋友玩完一局桌游后，拍下照片问一个前沿模型“谁赢了”，模型答不上来。桌游有一套自己的视觉语言和符号，成年人几乎不需要文字就能看懂局面，但模型无法直觉理解这些符号的意义。他还提到，人类看着宜家那种无文字的安装图就能组装家具，为什么 AI 模型做不到？

在技术路线上，Elorian 承认这种做法并非全新——OpenAI 在 2025 年已给 o 系列模型加入了推理过程中的裁剪与缩放。但 Elorian 的说法是，他们把整个模型都围绕这种机制构建，并且做得便宜。公司表示，一个小团队用 几百块GPU 训练了 Glimpse，模型体积显著小于它所对标的那些前沿系统。价格方面，Glimpse 每百万 token 输入 0.60美元、输出 3美元，比 Sonnet、Sol 这类中端模型便宜，但比 Haiku、Luna 这类轻量模型贵。根据 Elorian 自己的评估，Glimpse 在科学图表推理和短视频字幕生成上甚至超过了 GPT-6 Astra，在其他视觉推理任务上也拿到了有竞争力的结果。

Elorian 六个月前才走出隐身，种子轮由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 联合领投，Nvidia 和谷歌首席科学家 Jeff Dean 也参与了投资。公司最初的客户目标是那些握有大量视频的企业，包括机器人公司、科学实验室、媒体和创意公司。更长期的计划是从“看见”走向“行动”，也就是构建场景模型，再基于这个模型选择动作，最终直接控制机器人。Dai 表示，明年的目标是做出“世界上最好的视觉推理模型”，在所有视觉推理测试中领先。