Elorian 发布视觉推理模型 Glimpse：像人一样放大看细节

如果你让现在的顶尖多模态模型看一张刚下完的复杂桌游照片，问它谁赢了，它大概率会开始胡说八道。明明图片里全是棋子、卡牌和计分标志，大人一眼就能看明白，AI 却像是睁眼瞎。

由前 Google DeepMind 研究员 Andrew Dai 创办的 AI 初创公司 Elorian，正式发布了旗下首款视觉推理模型 Glimpse。这家在产品发布前就拿到 5500 万美元种子轮、估值高达 3 亿美元的团队，决定推翻目前多模态模型「看一眼就全凭记忆背诵」的坏习惯。

Glimpse 目前已经上线了研究预览版，同时开放了 API 接口和网页聊天界面。

给模型一张随时能放大的草稿纸

现在绝大多数所谓的多模态大模型，看图的逻辑其实很死板：把整张图片一次性切成 token，然后就只在文字世界里推理。这就像让你看一眼案发现场，把照片收走，然后全凭记忆去推断凶手是谁。

Elorian 团队的核心成员来自 Google Gemini 和苹果 MM-1 项目。在他们看来，真正的视觉理解必须允许「回头看」。

为此，他们给 Glimpse 设计了一套名为「视觉草稿空间」的机制。模型在思考的过程中，只要发现拿不准的地方，随时可以调出原图，裁切局部放大，或者从视频里单独抽出一帧细看，甚至能自动跑一小段代码来测量长宽、比对颜色。就像我们看手机相册遇到字看不清时，下意识用两根手指捏合放大一样。

Andrew Dai 说，这个灵感部分来自他的真实经历。去年他和朋友玩完桌游拍照问大模型胜负，模型根本看不懂那些特殊的图标和符号。人类不用看字就能照着宜家图纸拼家具，AI 没理由做不到。

几百张显卡练出的性价比小钢炮

虽然在推理中放大裁剪并非绝对的新鲜事，OpenAI 在 2025 年的 o 系列里也加过类似动作，但 Elorian 的做法是完全围绕这个机制来架构整个模型。

最让人意外的是成本和体积。Elorian 透露，他们只用了一个小团队，在几百张 GPU 上就完成了 Glimpse 的训练。模型的参数体积远小于它对标的顶尖模型。

在定价上，Glimpse 走的是中间路线。输入每百万 token 0.60 美元，输出每百万 token 3 美元。这个价格比 Claude Sonnet 和 GPT-5.6 Sol 便宜不少，比轻量级的 Haiku 或 Luna 稍贵。

但在官方测试里，这个小模型在科学图表推理和短视频描述任务上，成绩直接压过了 GPT-6 Astra，在复杂的几何计数和视觉谜题上也展现出极强的推理能力。

目前 Elorian 背后站着豪华的投资阵容，包括 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital，甚至英伟达和 Google 首席科学家 Jeff Dean 也参与了投资。

为什么重要

我们认为，Glimpse 的思路给多模态技术敲了个醒：之前大家都在拼命往模型里堆参数、塞几十万的上下文，试图让模型一眼记住整张超高清大图，这本身就很浪费算力。

把「看」和「想」拆开，让模型学会主动调焦、局部反查，不仅大幅降低了训练和推理成本，也让几百张 GPU 的小团队有了在垂直视觉任务上叫板巨头顶尖模型的能力。对于经常要处理专业图表、电路板走线、医疗影像以及视频监控的开发者来说，这类带有主动视觉回溯能力的模型，实用性远高于那些只会大而化之描述画面的大模型。

Elorian 把第一批目标盯准了坐拥海量视频的公司，比如科研实验室、媒体机构和机器人公司。他们的终极野心显然不在于聊聊天，而是让模型直接去控制物理世界的机器人。如果一个 AI 连宜家图纸都看不懂，它自然不可能帮你组装桌子。

不过，目前的评测大多来自官方公布的数据，在面对现实世界更杂乱的光影和动态干扰时表现如何，还需要第三方开发者在 API 上深入实测。但至少它证明了一条路：让 AI 真正学会用眼睛思考，不一定非要烧掉几万张 H100。