Elorian ha lanciato il suo primo modello AI, Glimpse, il 16 ottobre, sostenendo che il suo ragionamento visivo image-first possa rivaleggiare con le prestazioni di modelli AI molto più grandi a una frazione del prezzo. Secondo TechCrunch, la versione iniziale è un'anteprima di ricerca che include l'accesso API per sviluppatori e una lista d'attesa per l'interfaccia chat dell'azienda. Per le aziende che valutano questa tecnologia, la sfida concreta è se Glimpse possa offrire prestazioni comparabili in situazioni reali.

La proposta del "visual scratch space"

A differenza dei modelli che analizzano le immagini una volta sola e poi ragionano principalmente nel testo, Glimpse può tornare alle evidenze visive, ingrandire i dettagli, esaminare i fotogrammi video ed eseguire codice. L'azienda chiama questa capacità "visual scratch space."

Andrew Dai, CEO di Elorian ed ex ricercatore di Google DeepMind, ha raccontato un episodio che ha plasmato l'approccio: quando ha chiesto al suo modello di determinare il vincitore di una partita a cui aveva giocato, l'AI non è riuscita a decodificare il significato dei simboli del gioco — qualcosa che gli esseri umani gestiscono senza difficoltà.

"Gli esseri umani possono guardare gli schemi Ikea, senza testo, e assemblare i mobili Ikea, giusto? Perché i modelli AI non possono?" ha detto Dai a TechCrunch.

Il concetto ha precedenti. OpenAI ha introdotto il ragionamento crop-and-zoom nel 2025, e il paper di ricerca CharTool, aggiornato ad agosto 2026, ha combinato il ritaglio delle immagini con calcoli basati su codice. L'implementazione di Elorian è costruita su una base open-weights e utilizza solo poche centinaia di GPU. Partire da open weights — una base di modello esistente e pubblicamente disponibile — piuttosto che dall'addestramento da zero è ciò che rende possibile quel contenuto consumo di calcolo.

I numeri che Elorian riporta — e quelli che non sottolinea

Glimpse ha un prezzo di 0,60 dollari per milione di token di input e 3 dollari per milione di token di output, secondo quanto riportato il 94% in meno rispetto a quanto Astra applica. Per i team che elaborano grandi volumi di immagini e video tramite API, quella differenza per token si traduce direttamente in costi operativi. Elorian aveva precedentemente raccolto 55 milioni di dollari con una valutazione di 300 milioni di dollari, con investitori tra cui Nvidia e lo chief scientist di Google Jeff Dean.

Secondo le cifre di Elorian, Glimpse ha superato GPT-6 Astra su diversi benchmark, tra cui CharXiv-R (92,90 contro 92,10), la didascalia di video brevi, il conteggio a vocabolario aperto e la comprensione degli eventi di manipolazione. I due sistemi hanno ottenuto risultati identici nel ragionamento spaziale embodied.

Glimpse è rimasto però indietro rispetto ad Astra nella didascalia video densa, nel ragionamentoale fine-grained e nel conteggio delle immagini di prodotto. Su H — il benchmark di comprensione delle scene di Elorian — Glimpse ha ottenuto 46,36 contro il 53,6 di Astra, con la baseline umana al 93,1%. Il confronto tra Glimpse e Astra non è ancora stato verificato in modo indipendente, rendendo la valutazione di terze parti il prossimo chiaro punto di controllo.

Dove i modelli di oggi falliscono davvero

La ricerca indipendente sottolinea perché la precisione è importante. RoboVista, un benchmark di ricercatori di Berkeley, Princeton e Google DeepMind, ha rilevato che il suo modello più forte ha risposto correttamente solo al 56,5% di 474 domande relative ai robot. InspecSafe-V1 ha raccolto 5.013 casi di ispezione da 41 robot in 2.239 siti, evidenziando sfide del mondo reale come riflessi, occlusioni e rumore dei sensori. Uno studio separato sui grafici identifica ugualmente la percezione visiva fine-grained come una debolezza persistente. Le carenze riportate da Glimpse stessa — didascalia video densa, ragionamento temporale fine-grained e conteggio delle immagini di prodotto — ricadono proprio in questo territorio fine-grained e in condizioni di campo.

Un mercato ampio, se la precisione regge

La International Federation of Robotics ha riportato che nel 2025 operavano nel mondo circa 5 milioni di robot industriali, in aumento del 9% rispetto all'anno precedente, con oltre 600.000 nuovi robot installati — segno di una domanda crescente di macchine capaci di comprendere e rispondere al loro ambiente.

Questa domanda sta anche alimentando gli investimenti nell'addestramento dei robot. Come riportato da Cryptopolitan, LG sta utilizzando gli strumenti di Nvidia per raccogliere 100.000 ore di dati di addestramento per robot entro la fine del 2026, in vista di una dimostrazione umanoide prevista per inizio 2027. Il progetto non ha alcun legame con Elorian, ma illustra quanto la comprensione visiva stia diventando centrale nella robotica.

Elorian spera infine di andare oltre il ragionamento visivo fino al controllo diretto dei robot, una capacità che Glimpse non offre ancora. Per ora, convincere le aziende ad adottare il modello dipenderà da quanto accuratamente e in sicurezza opera in condizioni reali, da quanto facilmente si integra con i sistemi esistenti e da se i suoi costi restano competitivi. Nel breve termine, i segnali da osservare sono la verifica indipendente dei numeri riportati da Elorian e come se la cavano i primi utenti dell'API al di fuori delle condizioni di benchmark. Da soli, i punteggi di benchmark elevati non basteranno.

Fonte: Cryptopolitan