Glimpse a été lancé le 16 octobre 2026 comme le premier modèle de la startup Elorian, installée à Palo Alto, d'abord en aperçu de recherche avec un accès API, tandis que l'interface de discussion reste sur liste d'attente. TechCrunch l'a révélé en exclusivité le même jour. Le constat de l'entreprise est net : les modèles actuels savent lire du texte et écrire du code, mais ils ne savent pas encore vraiment regarder une image.
La plupart des modèles multimodaux regardent une image une seule fois, la convertissent en jetons, puis raisonnent avec des mots, un peu comme décrire une photo de mémoire. Andrew Dai, directeur général d'Elorian et ancien chercheur chez Google DeepMind, raconte une soirée jeux : il a photographié une partie de jeu de société à peine terminée et demandé à un modèle de pointe qui était en train de gagner. Sans réponse. Chaque jeu de société a son propre langage visuel et ses symboles, qu'un adulte comprend d'un coup d'œil ; le modèle, lui, ne saisissait pas leur sens. Les humains assemblent des meubles Ikea avec des notices sans aucun texte, les modèles en sont incapables.
Au milieu du raisonnement, retour à l'image d'origine
Glimpse s'appuie sur un espace de travail visuel : en plein raisonnement, le modèle peut recadrer une zone pour l'agrandir, extraire des images précises d'une vidéo ou exécuter du code pour mesurer et comparer ce qu'il regarde, au lieu de deviner à partir d'une première impression. L'approche n'est pas entièrement nouvelle, OpenAI ayant ajouté dès 2025 le recadrage et le zoom pendant le raisonnement à sa série o. La différence d'Elorian tient à avoir construit tout le modèle autour de ce mécanisme, et à bas coût : une petite équipe a entraîné Glimpse sur quelques centaines de GPU, et le modèle est nettement plus petit que les systèmes de pointe auxquels il se compare.
Des résultats et des prix à prendre avec prudence
Glimpse coûte 0,60 dollar par million de jetons en entrée et 3 dollars en sortie, moins cher que des modèles intermédiaires comme Sonnet et Sol, mais plus cher que des modèles légers comme Haiku et Luna. Selon les évaluations d'Elorian elle-même, Glimpse dépasse même GPT-6 Astra sur le raisonnement à partir de graphiques scientifiques et la description de courtes vidéos, avec des résultats compétitifs sur d'autres tâches visuelles. Tous ces chiffres viennent toutefois de l'entreprise, et l'accès limité à un aperçu de recherche et à une liste d'attente empêche pour l'instant toute vérification externe. Le palmarès reste une affirmation à tester, pas un verdict.
Premiers clients visés : les entreprises qui accumulent de la vidéo
Il y a six mois, Elorian est sortie de sa période de discrétion sans aucun produit lancé, avec une levée d'amorçage de 55 millions de dollars pour une valorisation de 300 millions, codirigée par Striker Venture Partners, Menlo Ventures et Altimeter Capital, avec la participation de Nvidia et du scientifique en chef de Google, Jeff Dean. Glimpse vise d'abord les entreprises qui détiennent beaucoup de vidéo : robotique, laboratoires scientifiques, médias et sociétés créatives. À plus long terme, Elorian veut passer de la vision à l'action, construire un modèle de la scène pour choisir des actions, y compris commander directement des robots, et affiche pour l'an prochain l'objectif du meilleur modèle de raisonnement visuel au monde. C'est une ambition, pas un résultat. La compétition des modèles visuels se déplace : il ne s'agit plus seulement de reconnaître ce qu'il y a dans une image, mais de savoir y revenir quand le doute s'installe.
