제미나이·MM-1 연구진, 시각 추론 AI 모델 '글림스' 공개

보드게임이 끝난 뒤 말판을 촬영해 최신 AI에게 누가 이겼는지 물어보면 엉뚱한 대답을 내놓기 일쑤입니다. 어른이라면 기호와 점수판을 보고 단번에 상황을 파악하지만, AI는 이를 제대로 읽어내지 못하기 때문입니다.

구글 딥마인드와 애플 MM-1 프로젝트 출신 연구진이 세운 스타트업 엘로리안(Elorian)이 첫 번째 시각 추론 모델 '글림스(Glimpse)'를 공개했습니다. 현재 리서치 프리뷰 형태로 API와 채팅 인터페이스를 이용할 수 있습니다.

엘로리안은 제품을 내놓기도 전에 스트라이커 벤처 파트너스, 멘로 벤처스, 알티미터 캐피털의 주도로 5500만 달러 규모의 시드 투자를 유치하며 3억 달러의 기업 가치를 인정받았습니다. 엔비디아와 구글 수석 과학자 제프 딘도 투자자로 이름을 올렸습니다.

사진을 손가락으로 확대해 보듯 추론한다

기존의 멀티모달 모델은 이미지를 한 번 스캔해 토큰으로 변환한 뒤, 텍스트 기억에만 의존해 추론을 이어갑니다. 사진을 잠깐 본 뒤 기억만으로 세부 사항을 맞히려는 것과 비슷합니다.

반면 글림스는 '시각 스크래치 공간'이라는 메커니즘을 사용합니다. 추론을 진행하다 의문이 생기면 언제든 원본 이미지로 돌아가 특정 영역을 확대 크롭하거나, 영상에서 필요한 프레임만 골라내 확인합니다. 필요하다면 간단한 코드를 실행해 길이를 측정하거나 색상을 비교하기도 합니다. 스마트폰 화면을 두 손가락으로 확대해 꼼꼼히 살피는 사람의 행동을 모사한 것입니다.

엘로리안의 앤드루 다이 CEO는 글자 하나 없는 이케아 조립 설명서를 보고 사람이 가구를 만들 수 있다면, AI 역시 그래야 마땅하다고 강조합니다.

수백 대의 GPU로 완성한 고효율 모델

추론 과정에서 확대 기능을 사용하는 방식은 2025년 오픈AI의 o 시리즈에서도 일부 도입된 바 있지만, 글림스는 모델 전체를 이 메커니즘을 중심으로 설계했습니다.

엘로리안에 따르면 이 모델은 수백 대 수준의 GPU만으로 훈련되었으며, 비교 대상인 프론티어 모델들에 비해 크기가 현저히 작습니다.

가격은 입력 100만 토큰당 0.60달러, 출력 100만 토큰당 3달러로 책정되었습니다. 클로드 소넷 같은 미들급 모델보다는 저렴하고 경량 모델보다는 약간 높은 수준입니다. 자체 벤치마크 결과 과학 차트 추론과 숏폼 비디오 설명 영역에서 GPT-6 아스트라를 넘어서는 성능을 기록했습니다.

왜 중요한가

글림스는 거대 모델에 고해상도 이미지를 무작정 밀어 넣던 기존 방식의 비효율을 꼬집었다는 점에서 의미가 큽니다. 전체 맥락을 억지로 암기시키는 대신 필요한 부분만 다시 들여다보도록 설계함으로써, 수백 대의 GPU만으로도 대형 모델을 위협하는 시각 추론 능력을 입증했습니다.

복잡한 도표, 회로 기판, 연구 데이터, 영상 관제를 다루는 개발자와 기업 입장에서는 고비용 프론티어 모델을 대체할 매우 매력적인 선택지가 등장한 셈입니다. 엘로리안이 첫 타깃으로 로봇 공학 기업과 연구소를 지목한 것도 논리적입니다. 시각적 단서를 스스로 확인하지 못하는 AI는 물리 세계에서 로봇을 움직일 수 없기 때문입니다.

물론 자체 벤치마크를 넘어 실제 환경의 다양한 변수를 얼마나 버텨낼지는 검증이 필요합니다. 하지만 무작정 컴퓨팅 자원을 쏟아붓지 않고도 구조적 영리함으로 문제를 푼 시도는 업계에 시사하는 바가 큽니다.