米 Palo Alto のスタートアップ Elorian は、初のモデル「Glimpse」を 2026-10-16 に研究プレビューとして公開しました。画像を一度見てから文章だけで考える従来型と異なり、推論の途中で元の画像や動画に戻って確かめるのが特徴です。グラフ読み取りや動画説明を自動化したい開発者向けです。
主なポイント
- 推論中に画像の切り抜き、動画の特定フレームの取得、コード実行による計測・比較を行い、サブエージェントの調整もできます。同社は「視覚的なスクラッチスペース」と呼んでいます。
- 同社の評価では、WGO Bench (42.70 対 39.42) や CharXiv-R、UGC-VideoCap、FSC-147 で GPT-6 Astra を上回りました。一方で Video-MME v2 など複数の評価では他のフロンティアモデルを下回っています。
- API と同社のチャット UI で提供します。料金は入力 100 万トークンあたり 0.60 ドル、出力 3.00 ドルです。
- 細部の視覚検査には時間とトークンを多く使うとし、トークン効率の改善を当面の課題に挙げています。ロボットの直接制御は今後の取り組みです。
関連報道: Elorian's first AI model wants to reason with images, not just about them (TechCrunch)