Glimpse ist am 16. Oktober 2026 als erstes Modell des Startups Elorian aus Palo Alto erschienen, zunächst als Forschungsvorschau mit API-Zugang, während die Chat-Oberfläche nur eine Warteliste anbietet. TechCrunch berichtete am selben Tag exklusiv darüber. Die These des Unternehmens ist klar: Heutige Modelle können Text lesen und Code schreiben, aber sie können Bilder noch nicht wirklich sehen.
Die meisten multimodalen Modelle betrachten ein Bild einmal, wandeln es in Tokens um und schließen dann in Worten weiter, als würden sie ein Foto aus dem Gedächtnis beschreiben. Elorian-Chef Andrew Dai, früher Forscher bei Google DeepMind, erzählt von einem Spieleabend: Er fotografierte ein gerade beendetes Brettspiel und fragte ein Spitzenmodell, wer gerade gewinnt. Es konnte nicht antworten. Brettspiele haben jeweils ihre eigene Bildsprache und Symbolik, die ein Erwachsener auf einen Blick versteht; das Modell konnte die Zeichen nicht intuitiv deuten. Menschen bauen Ikea-Möbel anhand von Anleitungen ganz ohne Text zusammen, Modelle schaffen das nicht.
Mitten im Schlussfolgern zurück zum Original
Glimpse arbeitet mit einem visuellen Arbeitsbereich: Noch während des Schließens kann das Modell einen Ausschnitt vergrößern, einzelne Frames aus einem Video ziehen oder Code ausführen, um zu messen und zu vergleichen, was es sieht, statt aus dem ersten Eindruck weiterzuraten. Ganz neu ist der Ansatz nicht, OpenAI hat 2025 bei der o-Serie bereits Zuschneiden und Zoomen während des Schließens eingeführt. Elorians Unterschied liegt darin, das gesamte Modell um diesen Mechanismus herum gebaut zu haben, und zwar günstig: Ein kleines Team trainierte Glimpse auf wenigen hundert GPUs, und das Modell ist deutlich kleiner als die Spitzensysteme, mit denen es sich misst.
Bestenliste und Preisliste mit Vorsicht lesen
Glimpse kostet 0,60 Dollar pro Million Eingabe-Tokens und 3 Dollar pro Million Ausgabe-Tokens, günstiger als Mittelklasse-Modelle wie Sonnet und Sol, aber teurer als Leichtgewichte wie Haiku und Luna. In Elorians eigenen Tests schlägt Glimpse demnach sogar GPT-6 Astra beim Schließen über wissenschaftliche Diagramme und bei kurzen Videobeschreibungen und hält bei anderen visuellen Aufgaben mit. Alle Werte stammen jedoch vom Unternehmen selbst, und solange der Zugang auf Forschungsvorschau und Warteliste begrenzt ist, kann sie niemand von außen nachprüfen. Die Bestenliste ist vorerst eine Behauptung, kein Befund.
Die ersten Kunden sitzen auf großen Videobeständen
Elorian kam vor sechs Monaten aus dem Stealth-Modus und hatte da, noch ohne Produkt, eine Seed-Runde von 55 Millionen Dollar bei einer Bewertung von 300 Millionen Dollar abgeschlossen, gemeinsam angeführt von Striker Venture Partners, Menlo Ventures und Altimeter Capital, unter Beteiligung von Nvidia und Googles Chefwissenschaftler Jeff Dean. Glimpse zielt zuerst auf Firmen mit viel Videomaterial: Robotikfirmen, wissenschaftliche Labore, Medien- und Kreativunternehmen. Langfristig will Elorian vom Sehen zum Handeln kommen, ein Szenenmodell aufbauen, daraus Aktionen wählen und auch Roboter direkt steuern; für nächstes Jahr ist das Ziel ausgegeben, das weltweit beste Modell für visuelles Schließen zu bauen. Das ist ein Anspruch, kein Ergebnis. Der Wettbewerb bei visuellen Modellen verschiebt sich gerade von der Frage, ob ein System erkennt, was auf einem Bild ist, hin zu der Frage, ob es bei Unsicherheit noch einmal hinschaut.
