Model Glimpse to pierwszy produkt startupu Elorian z Palo Alto. Firma udostępniła go 16 października jako wersję badawczą, przez API i w interfejsie czatu. Wyróżnikiem nie jest kolejny rekord w rankingu, tylko sposób pracy z obrazem. Model może wrócić do zdjęcia lub nagrania w trakcie rozumowania, zamiast opisać je raz i dalej działać z pamięci.
Elorian założył Andrew Dai, wcześniej badacz w Google DeepMind. Spółka wyszła z ukrycia około pół roku przed premierą i zebrała 55 mln dolarów w rundzie seed przy wycenie 300 mln dolarów. Wśród inwestorów są Menlo Ventures, Altimeter Capital, Nvidia oraz Jeff Dean, główny naukowiec Google. Według TechCrunch model trenowano na kilkuset procesorach graficznych. Jest przy tym wyraźnie mniejszy od systemów, z którymi się porównuje.
Jak działa wizualny brudnopis modelu Glimpse
Większość modeli multimodalnych zamienia obraz na tokeny jeden raz. Glimpse korzysta z tak zwanej wizualnej przestrzeni roboczej. W trakcie rozumowania może przyciąć fragment kadru, obejrzeć wybrany odcinek wideo z większą liczbą klatek albo uruchomić kod, żeby coś zmierzyć. Użytkownik widzi te kroki: znaczniki czasu, sprawdzane hipotezy i momenty, do których model wrócił. Dai tłumaczy ideę na przykładzie instrukcji montażu mebli. Ludzie składają szafkę z rysunków bez słów, a modele AI wciąż mają z tym kłopot.
„Glimpse looks closely, questions its first impression, and returns to the visual evidence before it answers.” (Elorian, wpis na blogu firmy)
Co pokazują benchmarki
Firma publikuje wyniki z 12 testów i porównuje się m.in. z GPT-6 Astra, GPT-6.1 Sol, Opus 5.5 i Gemini 3.8 Flash. Obraz jest mieszany. Glimpse prowadzi w robotycznym teście WGO Bench (42,70 wobec 39,42 dla Astry), w opisywaniu krótkich nagrań UGC-VideoCap oraz w liczeniu obiektów FSC-147. W rozumowaniu na wykresach naukowych (CharXiv-R) wyprzedza Astrę, ale najlepszy wynik ma tu Opus 5.5. W testach rozumowania w czasie, takich jak Video-MME v2, wyraźnie ustępuje modelom OpenAI. To wyniki z ewaluacji samego producenta, bez niezależnej weryfikacji.
Mocniejszym argumentem jest cena: 0,60 dolara za milion tokenów wejściowych i 3 dolary za milion wyjściowych. Elorian deklaruje, że to o 94% mniej niż Astra i o 85% mniej niż Opus 5.5. Firma sama zaznacza, że sterowanie robotami i lepsza efektywność tokenowa to dopiero kolejne etapy.
Co to znaczy dla firm w Polsce
Glimpse celuje w robotykę, laboratoria i firmy medialne z dużymi archiwami wideo. Dla polskich przedsiębiorstw ciekawszy jest jednak sam kierunek. Kontrola jakości ze zdjęć, odczyt schematów technicznych czy analiza nagrań z linii produkcyjnej do tej pory wymagały drogich modeli z najwyższej półki. Tańszy model wyspecjalizowany w obrazie może zmienić rachunek opłacalności takich pilotaży. Warto go jednak przetestować na własnych danych, bo tabela producenta nie pokaże, jak poradzi sobie z waszymi zdjęciami. Przed wysłaniem nagrań z zakładu do zewnętrznego API trzeba też sprawdzić, gdzie są przetwarzane i czy nie widać na nich pracowników, bo to już dane osobowe w rozumieniu RODO.
Źródło: Elorian, Introducing Glimpse (EN), 16 października 2026; TechCrunch, Elorian’s first AI model wants to reason with images (EN), 16 października 2026.
