Elorian, paloaltowy startup AI, zdobył 55 mln dolarów w rundzie seed przy wycenie 300 mln dolarów, zanim jeszcze pokazał jakikolwiek produkt. W piątek firma zaprezentowała swój pierwszy model — Glimpse. Na razie to badania w fazie preview: dostęp przez API, a interfejs czatu wyłącznie na zaproszenia. Publiczność dostaje więc tabelę wyników i tezę, nie gotowe narzędzie.

A teza jest ambitna. Dzisiejsze modele, choć świetnie radzą sobie z językiem i kodem, wciąż — zdaniem Eloriana — tak naprawdę nie widzą. Typowy model multimodalny patrzy na obraz raz, zamienia go na tokeny i dalej rozumuje już tylko w tekście, jakby opisywał zdjęcie z pamięci. Glimpse ma działać inaczej: w trakcie rozumowania może wrócić do źródła, przyciąć konkretny fragment, wyciągnąć pojedyncze klatki z wideo albo uruchomić kod, by coś zmierzyć lub porównać. Elorian nazywa ten mechanizm „wizualną przestrzenią roboczą”. Analogia jest prosta — to jak ściśnięcie palcami zdjęcia w telefonie, żeby upewnić się, co się naprawdę widziało.

Pomysł narodził się przy planszy do gry. Andrew Dai, były badacz Google DeepMind, a dziś CEO Eloriana, sfotografował rozgrywkę z przyjaciółmi i zapytał czołowy model, kto wygrywa. Odpowiedzi nie było. „Każda gra ma swój własny język wizualny, własną ikonografię, symbole” — tłumaczył Dai w rozmowie z TechCrunch. Dla człowieka odczytanie sytuacji przy minimalnej ilości tekstu jest banalne, ale modele nie potrafią wywnioskować, co oznaczają te symbole. „Ludzie patrzą na instrukcje z Ikei, bez tekstu, i składają meble. Dlaczego modele AI nie mogą?” — pyta.

Sam mechanizm przycinania i zbliżania w trakcie rozumowania nie jest nowością — OpenAI dodało go do modeli z serii o w 2025 roku. Argument Eloriana brzmi jednak inaczej: to nie funkcja doklejona do dużego systemu, lecz fundament, wokół którego zbudowano cały model — i to tanio. Firma twierdzi, że niewielki zespół wytrenował Glimpse na kilkuset GPU, a sam model jest znacznie mniejszy od systemów frontier, z którymi jest porównywany.

Ceny też mają być atutem: 0,60 dolara za milion tokenów wejściowych i 3 dolary za milion wyjściowych. To taniej niż modele średniej klasy pokroju Sonnet czy Sol, ale drożej niż lekkie konstrukcje w rodzaju Haiku i Luna. Według własnych ewaluacji Eloriana Glimpse wyprzedza nawet GPT-6 Astra w rozumowaniu na wykresach naukowych i w opisach krótkich wideo, a w pozostałych zadaniach rozumowania wizualnego wypada konkurencyjnie.

Pierwszymi klientami mają być firmy siedzące na górach wideo: robotyka, laboratoria naukowe, media i branża kreatywna. W dłuższej perspektywie Elorian chce przejść od patrzenia do działania — budować model sceny i na jego podstawie wybierać ruch, docelowo także sterować robotami. W przyszłym roku Dai zapowiada pracę nad „najlepszym na świecie modelem rozumowania wizualnego”, który ma prowadzić w każdym teście tej kategorii.

Elorian wyszedł z trybu stealth pół roku temu, a rundę współprowadzili Striker Venture Partners, Menlo Ventures i Altimeter Capital, przy udziale Nvidii oraz Jeffa Deana, głównego naukowca Google. Zapowiedzi są więc mocne, a weryfikacja — jak zawsze przy własnych benchmarkach — przyjdzie wraz z niezależnymi testami.

Podsumowanie: Glimpse to próba zmiany paradygmatu z „opowiadania o obrazie” na „pracę z obrazem”. Elorian stawia na tanią, wyspecjalizowaną architekturę z wizualną przestrzenią roboczą i ambitne cele: od analizy wykresów i wideo po sterowanie robotami. Na razie to obietnica poparta własnymi wynikami — czas pokaże, czy równie dobrze wypadnie w rękach niezależnych badaczy.