Elorian uruchomił swój pierwszy model AI, Glimpse, 16 października, twierdząc, że jego wizualne rozumowanie od obrazu może dorównać wydajności znacznie większych modeli AI za ułamek ceny. Według TechCrunch, pierwsze wydanie to podgląd badawczy obejmujący dostęp API dla programistów oraz listę oczekujących do interfejsu czatu firmy. Dla firm rozważających tę technologię praktycznym wyzwaniem jest to, czy Glimpse zapewni porównywalną wydajność w warunkach rzeczywistych.

Koncepcja „visual scratch space”

W przeciwieństwie do modeli, które analizują obraz raz, a następnie rozumują głównie w tekście, Glimpse może wracać do dowodów wizualnych, przybliżać detale, analizować klatki wideo i uruchamiać kod. Firma nazywa tę zdolność swoim „visual scratch space” (wizualną przestrzenią roboczą).

Andrew Dai, dyrektor generalny Elorian i były badacz Google DeepMind, opowiedział o zdarzeniu, które ukształtowało to podejście: gdy poprosił swój model o ustalenie zwycięzcy rozegranej przez siebie gry planszowej, AI nie potrafiło rozszyfrować znaczenia symboli z gry — czego ludzie dokonywali bez trudu.

„Ludzie potrafią patrzeć na diagramy Ikei, bez tekstu, i składać meble Ikei, prawda? Dlaczego modele AI nie potrafią?” — powiedział Dai w rozmowie z TechCrunch.

Koncepcja ma już precedens. OpenAI wprowadziło rozumowanie typu crop-and-zoom w 2025 roku, a praca badawcza CharTool, zaktualizowana w sierpniu 2026 roku, połączyła przycinanie obrazów z obliczeniami opartymi na kodzie. Implementacja Elorian jest zbudowana na bazie otwartych wag i wykorzystuje zaledwie kilkaset układów GPU. Startowanie od otwartych wag — istniejącej, publicznie dostępnej podstawy modelowej — zamiast trenowania od zera to właśnie to, co czyni możliwym tak oszczędne wykorzystanie mocy obliczeniowej.

Liczby, które podaje Elorian — i te, których nie eksponuje

Cennik Glimpse to 0,60 dolara za milion tokenów wejściowych i 3 dolary za milion tokenów wyjściowych — podobno o 94% taniej niż stawki Astry. Dla zespołów przetwarzających dużeolumeny obrazów i wideo przez API ta różnica na token przekłada się bezpośrednio na koszty operacyjne. Elorian pozyskał wcześniej 55 milionów dolarów przy wycenie 300 milionów dolarów, a wśród inwestorów byli Nvidia i główny naukowiec Google, Jeff Dean.

Według danych samego Eloriana Glimpse przewyższył GPT-6 Astrę w kilku testach porównawczych, w tym CharXiv-R (92,90 wobec 92,10), opisywaniu krótkich wideo, liczeniu o otwartym słownictwie i rozumieniu zdarzeń manipulacyjnych. Oba systemy osiągnęły identyczne wyniki w osadzonym rozumowaniu przestrzennym.

Glimpse ustąpił jednak Astrze w gęstym opisywaniu wideo, drobnoziarnistym rozumowaniu czasowym i liczeniu na obrazach produktów. W teście H — benchmarku Elorian dotyczącym rozumienia scen — Glimpse zdobył 46,36 wobec 53,6 Astry, przy basalnym wyniku człowieka wynoszącym 93,1%. Porównanie Glimpse–Astra nie zostało jeszcze niezależnie zweryfikowane, co czyni ocenę przez strony trzecie oczywistym kolejnym krokiem.

Gdzie dzisiejsze modele faktycznie zawodzą

Niezależne badania podkreślają, dlaczego dokładność ma znaczenie. RoboVista, benchmark od badaczy z Berkeley, Princeton i Google DeepMind, wykazał, że jego najsilniejszy model poprawnie odpowiedział na zaledwie 56,5% z 474 pytań dotyczących robotów. InspecSafe-V1 zebrał 5 013 przypadków inspekcji od 41 robotów w 2 239 lokalizacjach, uwypuklając rzeczywiste wyzwania, takie jak odblaski, zasłonięcia i szum czujników. Osobne badanie dotyczące wykresów również wskazuje drobnoziarnistą percepcję wizualną jako uporczywą słabość. Zgłaszane przez samego Glimpse braki — gęste opisywanie wideo, drobnoziarniste rozumowanie czasowe i liczenie na obrazach produktów — mieszczą się dokładnie w tej sferze drobnych detali i warunków terenowych.

Duży rynek — jeśli dokładność się utrzyma

International Federation of Robotics poinformowała, że w 2025 roku na świecie działało około 5 milionów robotów przemysłowych, o 9% więcej niż rok wcześniej, a zainstalowano ponad 600 000 nowych robotów — co świadczy o rosnącym popycie na maszyny zdolne rozumieć otoczenie i na nie reagować.

Ten popyt napędza także inwestycje w szkolenie robotów. Jak doniósł Cryptopolitan, LG wykorzystuje narzędzia Nvidii do zebrania 100 000 godzin danych treningowych dla robotów do końca 2026 roku, przed planowaną demonstracją humanoidalną na początku 2027 roku. Projekt nie ma związku z Elorianem, ale ilustruje, jak centralne miejsce w robotyce zyskuje rozumienie wizualne.

Elorian ostatecznie ma nadzieję wyjść poza rozumowanie wizualne w kierunku bezpośredniego sterowania robotami — zdolności, której Glimpse jeszcze nie oferuje. Na razie przekonanie firm do przyjęcia modelu będzie zależało od tego jak dokładnie i bezpiecznie sprawdzi się on w warunkach rzeczywistych, jak łatwo zintegruje się z istniejącymi systemami i czy jego koszty pozostaną konkurencyjne. W krótkim okresie sygnałami do obserwacji są niezależna weryfikacja zgłaszanych przez Elorian liczb oraz to, jak wypadną pierwsi użytkownicy API poza warunkami testowymi. Same silne wyniki benchmarków nie wystarczą.

Źródło: Cryptopolitan