Elorian a lancé son premier modèle d'IA, Glimpse, le 16 octobre, affirmant que son raisonnement visuel axé sur l'image peut rivaliser avec les performances de modèles d'IA bien plus grands pour une fraction du prix. Selon TechCrunch, la version initiale est un aperçu de recherche qui comprend un accès API pour développeurs et une liste d'attente pour l'interface de chat de l'entreprise. Pour les entreprises envisageant cette technologie, le véritable défi est de savoir si Glimpse peut offrir des performances comparables dans des situations réelles.

Le « visual scratch space » comme argument

Contrairement aux modèles qui analysent les images une seule fois avant de raisonner principalement en texte, Glimpse peut revenir aux preuves visuelles, zoomer sur les détails, inspecter des images vidéo et exécuter du code. L'entreprise appelle cette capacité son « visual scratch space ».

Andrew Dai, PDG d'Elorian et ancien chercheur chez Google DeepMind, a raconté un épisode qui a façonné cette approche : lorsqu'il a demandé à son modèle de déterminer le vainqueur d'une partie de jeu de société à laquelle il avait joué, l'IA n'a pas réussi à décoder la signification des symboles du jeu — quelque chose que les humains gèrent sans difficulté.

« Les humains peuvent regarder des notices de montage Ikea, sans texte, et assembler des meubles Ikea, n'est-ce pas ? Pourquoi les modèles d'IA ne le peuvent-ils pas ? », a déclaré Dai à TechCrunch.

Le concept a des précédents. OpenAI a introduit le raisonnement par recadrage et zoom en 2025, et l'article de recherche CharTool, mis à jour en août 2026, combinait le recadrage d'images avec des calculs basés sur du code. L'implémentation d'Elorian repose sur une base à poids ouverts et n'utilise que quelques centaines de GPU. Partir de poids ouverts — une base de modèle existante et disponible publiquement — plutôt que de s'entraîner à partir de zéro, c'est ce qui rend possible une empreinte de calcul aussi réduite.

Les chiffres qu'Elorian rapporte — et ceux qu'il ne met pas en avant

Glimpse est proposé à 0,60 $ par million de tokens d'entrée et 3 $ par million de tokens de sortie, soit un tarif annoncé 94 % inférieur à celui pratiqué par Astra. Pour les équipes qui font transiter de grands volumes d'images et de vidéos via une API, cet écart par token se traduit directement en coûts d'exploitation. Elorian avait précédemment levé 55 millions de dollars pour une valorisation de 300 millions de dollars, avec des investisseurs dont Nvidia et le scientifique en chef de Google, Jeff Dean.

Selon les chiffres d'Elorian, Glimpse a surpassé GPT-6 Astra plusieurs benchmarks, dont CharXiv-R (92,90 contre 92,10), le sous-titrage de vidéos courtes, le comptage à vocabulaire ouvert et la compréhension des événements de manipulation. Les deux systèmes ont obtenu des résultats identiques en raisonnement spatial incarné.

Glimpse a toutefois été devancé par Astra en sous-titrage vidéo dense, en raisonnement temporel fin et en comptage sur images de produits. Sur HSS — le benchmark d'Elorian lié à la compréhension des scènes — Glimpse a obtenu un score de 46,36 contre 53,6 pour Astra, la référence humaine étant de 93,1 %. La comparaison entre Glimpse et Astra n'a pas encore été vérifiée de manière indépendante, ce qui fait de l'évaluation par des tiers la prochaine étape évidente.

Là où les modèles actuels échouent réellement

Des recherches indépendantes soulignent pourquoi la précision compte. RoboVista, un benchmark conçu par des chercheurs de Berkeley, Princeton et Google DeepMind, a révélé que son modèle le plus performant ne répondait correctement qu'à 56,5 % des 474 questions liées à la robotique. InspecSafe-V1 a recueilli 5 013 cas d'inspection auprès de 41 robots répartis sur 2 239 sites, mettant en lumière des défis réels tels que les reflets, l'occlusion et le bruit des capteurs. Une étude distincte sur les graphiques identifie elle aussi la perception visuelle fine comme une faiblesse persistante. Les lacunes signalées par Glimpse lui-même — sous-titrage vidéo dense, raisonnement temporel fin et comptage sur images de produits — relèvent précisément de ce domaine de perception fine en conditions réelles.

Un marché immense, si la précision est au rendez-vous

L'International Federation of Robotics a rapporté qu'environ 5 millions de robots industriels étaient en activité dans le monde en 2025, en hausse de 9 % par rapport à l'année précédente, avec plus de 600 000 nouveaux robots installés — signe d'une demande croissante pour des machines capables de comprendre leur environnement et d'y réagir.

Cette demande alimente également les investissements dans la formation des robots. Comme l'a rapporté Cryptopolitan, LG utilise les outils de Nvidia pour collecter 100 000 heures de données d'entraînement robotique d'ici la fin 2026, avant une démonstration humanoïde prévue au début de 2027. Ce projet n'a aucun lien avec Elorian, mais il illustre à quel point la compréhension visuelle devient centrale en robotique.

Elorian espère finalement aller au-delà du raisonnement visuel pour passer au contrôle direct des robots, une capacité que Glimpse n'offre pas encore. Pour l'heure, convaincre les entreprises d'adopter le modèle dépendra de sa précision et de sa sécurité en conditions réelles, de la facilité de son intégration aux systèmes existants et du maintien de sa compétitivité tarifaire. À court terme, les signaux à surveiller sont la vérification indépendante des chiffres annoncés par Elorian et les résultats des premiers utilisateurs de l'API en dehors des conditions de benchmark. De bons scores de benchmark à eux seuls ne suffiront pas.

Source : Cryptopolitan