Стартап Elorian, привлекший $55 млн на seed-раунде до запуска какого-либо продукта, выпустил свою первую модель Glimpse в режиме research preview. Доступ предоставляется через API, а веб-интерфейс пока только по списку ожидания. Это означает, что говорить пока можно только о результатах тестов и общей концепции — полноценная оценка качества возможна будет позже.
Концепция Glimpse строится вокруг одного наблюдения: современные мультимодальные модели смотрят на изображение один раз, конвертируют его в токены и потом рассуждают о нём в тексте — то есть по сути описывают фотографию по памяти. Glimpse работает иначе: во время рассуждения модель может вернуться к исходному изображению, обрезать нужный регион, вытащить конкретный кадр из видео или запустить код для измерения и сравнения деталей. Elorian называет это "визуальным черновиком" (visual scratch space) — как когда человек пинчит зум на фото в телефоне, чтобы перепроверить, что он действительно видит.
Основатель и CEO Elorian Эндрю Дай, ранее работавший в Google DeepMind, вспомнил показательный пример: год назад он сфотографировал настольную игру и попросил frontier-модель сказать, кто выигрывает. Модель не смогла ответить. Настольные игры имеют собственный визуальный язык, символику и иконографию — взрослому человеку очевидно, что происходит, минимум текста, но ИИ-модели не интуируют значение символов. Дай задался вопросом: если люди собирают мебель IKEA по диаграммам без текста, почему ИИ не может этого делать?
Подход сам по себе не совсем новый — OpenAI добавила кроп-и-зум во время рассуждения в o-series модели в 2025 году. Но Elorian утверждает, что построила всю архитектуру модели вокруг этой идеи и при этом эффективнее. По словам компании, небольшая команда обучила Glimpse на нескольких сотнях GPU, и модель существенно меньше, чем frontier-системы, против которых её тестировали. Цены за использование: $0,60 за млн входящих токенов и $3 за млн исходящих — дешевле, чем Sonnet и Sol, но дороже, чем Haiku и Luna.
По внутренним оценкам Elorian, Glimpse превосходит даже GPT-6 Astra в задачах научного анализа графиков и описания видео, а на других тестах визуального рассуждения показывает конкурентные результаты. Это звучит внушительно, но следует помнить: это собственные бенчмарки компании, а не независимая оценка. Похожие заявления делали и другие стартапы, позже оказываясь менее впечатляющими в реальных сценариях использования.
Elorian вышла из режима stealth шесть месяцев назад с раундом, сопредседателями которого стали Striker Venture Partners, Menlo Ventures и Altimeter Capital. В раунде участвовали Nvidia и главный учёный Google Джефф Дин. Первые целевые рынки — компании с большими объёмами видео: робототехнические фирмы, научные лаборатории, медиа и креативные компании. Длинная цель амбициознее: перейти от "видения" к "действию" — обучать модель рассуждать о сцене и выбирать действие, включая прямое управление роботами. На 2025 год Elorian планирует создать "лучшую в мире модель визуального рассуждения", которая лидировала бы на всех соответствующих тестах.
Для российского бизнеса это может быть полезно в нескольких направлениях. Компании, работающие с видеоанализом — от научных проектов до промышленной автоматизации и мониторинга — получат альтернативу закрытым американским моделям. AI Studio, наша платформа автоматизации контента, уже интегрирует разные визуальные модели; Glimpse может стать полезным вариантом для задач анализа видео и сложных изображений. Кроме того, для российских стартапов в робототехнике и компьютерном зрении это шанс работать с моделью, которая действительно может рассуждать о деталях, а не угадывать по общему впечатлению.