Palo Alto の AI スタートアップ Elorian が、初めてのモデルとなる Glimpse を公開しました。画像や動画を一度テキストに変換してから考えるのではなく、推論の途中でも映像そのものに戻って確かめる視覚推論モデルで、Elorian の API とチャット画面からすでに利用できます。料金は100万トークンあたり入力（キャッシュなし）$0.60、出力 $3.00 です。Elorian は、マルチモーダルのベンチマークで Glimpse が GPT-6 Astra や Claude Opus 5.5 と同じ水準にあり、ときにそれを上回る一方、モデルはかなり小さく安いとしています。Elorian の発表ブログの日付は 10 月 16 日で、独占で報じた TechCrunch の記事は北京時間 10 月 17 日 0 時 1 分に公開されました。

Glimpse の仕組み

Elorian は Glimpse を「新しいカテゴリーの視覚的思考モデル」と呼んでいます。見たものから物理世界について推論するモデルで、動く物体や変わる視点を追い、部品どうしの組み合わさり方を理解し、目の前の状況とその次に起きることを結びつけるといいます。同社によると、Glimpse は考えながら内部の視覚表現を見直し、磨き直すことができます。TechCrunch はこれを具体的に説明しており、推論の途中で画像の一部を切り出して拡大したり、動画から特定のフレームを抜き出したり、コードを実行して対象を測ったりできるといいます。Elorian はこの仕組みを「visual scratch space」と呼び、チャット画面ではモデルが作業する様子としてこのスペースが表示されます。

Glimpse はエージェントとしてもエンドツーエンドで訓練されており、コードを書く、画像を加工する、動画を見るといったマルチモーダルなツールを使います。Elorian によると、同じ問題に取り組むサブエージェントを立ち上げ、テキストや視覚的な成果物、内部表現をやり取りさせることもできます。想定する用途はロボティクス、科学研究、クリエイティブ産業で、ロボットの遠隔操作映像へのラベル付け、視覚・言語・行動（VLA）ロボットポリシーの手順の計画、短尺動画の詳細なキャプション付け、カメラが動く映像での物体のカウントといった例が紹介されています。

Elorian が公表したベンチマーク

以下は Elorian が発表ブログの表で示した自社の数値で、DigIntoAI では独自にテストしていません。Elorian によると、すべてのモデルを最高の思考レベルとそれぞれの標準エージェント環境で測定し、GPT、Claude、Gemini には Code Interpreter を組み合わせました。動画系の評価には一部例外があるとしています。同社の数値では、Glimpse は 4 つの評価で GPT-6 Astra を上回り、1 つで並んでいます。

  • WGO Bench（ロボットの操作イベント）：42.70 対 39.42
  • CharXiv-R（科学チャートの推論）：92.90 対 92.10
  • UGC-VideoCap（短尺動画のキャプション）：82.66 対 80.32
  • FSC-147（オープン語彙のカウント）：83.36 対 82.02
  • ERQA（身体性のある空間推論）：どちらも 83.75

同じ表では、Astra のスコアがあるほかの 6 つの評価で Glimpse は Astra を下回っており、BabyVision は 95.36 対 97.68、TOMATO は 93.60 対 96.02、字幕付きの Video-MME v2 は 56.68 対 64.06 です。Claude Opus 5.5 とは、両方にスコアがある 9 つの評価のうち 7 つで Glimpse が上回り、CharXiv-R（92.90 対 93.40）と HSS のシーン理解（46.36 対 49.81）では下回っています。

料金と提供先

Elorian によると、入力 $0.60・出力 $3.00 という料金は、GPT-6 Astra より 94%、Claude Opus 5.5 より 85%、GPT-6.1 Sol より 70%、Gemini 3.8 Flash の導入価格より 20% 安い水準です。TechCrunch は、Sonnet や Sol のような中位モデルより安く、Haiku や Luna のような軽量モデルより高い位置づけだと書いています。また Elorian は、Glimpse が答えを出す前に細かく見直す分、時間とトークンがかかることを認めており、次はトークン効率の改善に力を入れるとしています。

Glimpse は OpenRouter にも掲載されています。OpenRouter のページでは、キャッシュ読み取りが100万トークンあたり $0.06、コンテキストは 262,144 トークン、最大出力は 256,000 トークンで、入力はテキスト・画像・動画、出力はテキストです。現時点で掲載されているプロバイダーは Together だけです。

Elorian は、わずか数百枚の GPU を使う小さなチームで Glimpse を開発し、「an open weights base model」（オープンウェイトのベースモデル）をもとに事後学習したと説明していますが、どのモデルかは明らかにしていません。Glimpse 自体の重みは公開されておらず、利用できるのは API、チャット画面、OpenRouter 経由です。

開発元の Elorian

TechCrunch によると、Elorian は製品を出す前にシードラウンドで 5,500 万ドルを調達し、評価額は 3 億ドルでした。同社は 6 か月前にステルス状態から姿を現し、そのラウンドは Striker Venture Partners、Menlo Ventures、Altimeter Capital が共同で主導し、Nvidia と Google のチーフサイエンティスト Jeff Dean も参加しました。CEO の Andrew Dai は元 Google DeepMind の研究者です。TechCrunch は、Glimpse がリサーチプレビューとして公開されたこと、最初のターゲットはロボティクス企業や科学研究機関、メディアやクリエイティブ企業など大量の動画を抱える企業であることを伝えています。Dai 氏は TechCrunch に対し、来年は「世界最高の視覚推論モデル」を作ることを目指すと語りました。Elorian 自身はブログで、今後はマルチモーダルネイティブの事前学習、理解と生成の両方ができるモデル、ロボットを直接制御する行動出力に取り組むとしています。