Elorian 在 2026 年 10 月 16 日发布了它的首个模型 Glimpse，TechCrunch 当天独家披露了细节。这家 Palo Alto 初创在还没有产品时就以 3 亿美元估值拿下 5500 万美元种子轮，赌注押在一个具体问题上：今天的多模态模型其实不太会“看”。Glimpse 的做法是不把图片看一遍就转成文字推理，而是让模型在思考过程中反复回到原图上裁剪、放大、抽帧和测量。目前它只开放研究预览：有 API，聊天界面还要排候补名单。
它和主流多模态模型差在哪一步
主流多模态模型的流程是把图像编码成一串 token，之后所有推理都在文字里完成，相当于凭着看第一眼的记忆答题；细节一旦在编码时丢掉，后面再聪明也找不回来。Glimpse 换了个工作方式：公司称之为“视觉草稿空间”，模型在推理中途可以裁出某个区域放大看、从视频里抽出指定帧、甚至运行代码去测量和比对画面里的对象，再带着新信息继续想。这条路线并非没人碰过，OpenAI 早在 2025 年就给 o 系列模型加过推理中裁剪放大的能力；Elorian 的说法是，别人把这当功能补丁，它把整个模型围绕这个机制从头训练，而且只用了几百块 GPU，模型规模比它对标的前沿系统小得多。
为什么拿桌游和宜家说明书说事
创始团队的出发点很生活化。CEO Andrew Dai 出身 Google DeepMind，他举的例子是去年和朋友打完一局桌游，拍了张照片问前沿模型谁赢了，模型答不上来：每款桌游都有自己的图标和符号语言，成年人扫一眼就懂，模型却读不出来。类似的还有没有文字、全靠图示的宜家说明书。这类任务共同的难处是答案不在“图里有什么”的清单里，而在图形之间的关系和约定里，必须回看、对照、确认。Elorian 把目标场景指向机器人、工程、医疗和科研分析——这些领域恰恰最吃视觉精度，也是文本转述最容易丢信息的地方。
成绩先看口径：自测有亮点，独立验证还没到
按 Elorian 自己的评测，Glimpse 在科学图表推理和短视频描述两项任务上超过 GPT-6 Astra，其他视觉推理任务上是“有竞争力”而非领先；这些数字出自公司自家考卷，还没有第三方实验室复现。它与 Scale 合作的 Humanity's Sixth Sense 基准倒是给出了一个清醒的参照：522 道视觉直觉题里，GPT-6 Astra 得 53.6 分，人类平均 93.1 分——整个行业的视觉推理离人类都还远。在这个背景下，Glimpse 值得跟踪的不是某一项自测名次，而是视觉草稿空间这套机制能不能在别人的考卷上同样成立。对普通用户来说，它现在更像一份成绩单加一个技术主张：API 只开给研究预览用户，真正能上手检验的范围还小；下一步看独立基准、API 定价和真实任务里的稳定性，再下判断不迟。
