Glimpse は 2026 年 10 月 16 日、パロアルトのスタートアップ Elorian が発表した初のモデルである。研究プレビューとして API が公開され、チャット画面は順番待ち制にとどまる。TechCrunch が同日に独占で報じた。同社の主張は明快で、今のモデルは文章を読みコードも書けるが、画像を本当には見られていない、というものだ。
多くのマルチモーダルモデルは、画像を一度だけ見てトークンに変換し、あとは言葉の中で記憶を頼りに推論する。写真を一目見てから目を閉じて説明するようなものだ。Elorian の CEO で元 Google DeepMind 研究者の Andrew Dai は、ボードゲームの夜の出来事を語る。遊び終えた盤面を撮影し、最先端モデルにどちらが勝っているか聞いたが、答えられなかった。ボードゲームにはそれぞれ固有の視覚言語と図像があり、大人なら一目で分かるのに、モデルには記号の意味が直感できない。文字のないイケアの説明書を見て家具を組み立てられる人間とは対照的だ。
推論の途中で、原画に戻る
Glimpse には「視覚的な下書き領域」がある。推論の途中でも、画像の一部を切り取って拡大したり、動画から特定のフレームを取り出したり、コードを実行して対象を測ったり比べたりできる。最初の印象だけで推測を進める方式とは違う。この手法自体は全くの新規ではなく、OpenAI は 2025 年に o シリーズへ推論中の切り取り拡大を加えている。Elorian の違いは、モデル全体をこの仕組み中心に設計した点と、訓練の安さにある。小規模なチームが数百台の GPU で訓練し、モデルは比較対象の最先端システムより大幅に小さい。
成績表も価格も、割り引いて見るべきだ
価格は入力 100 万トークン当たり 0.60 ドル、出力 3 ドルで、Sonnet や Sol といった中位モデルより安く、Haiku や Luna のような軽量モデルより高い。同社の自己評価では、科学グラフの推論と短尺動画の説明で GPT-6 Astra を上回り、その他の視覚推論でも最先端モデルに匹敵したという。ただし数値はすべて同社自身の評価であり、利用は研究プレビューと順番待ちに限られ、外部がまだ再現できない。現時点では成績表は検証待ちの主張にすぎない。
最初の顧客は、動画を大量に抱える企業
Elorian は半年前にステルスを脱した時点で、製品未発売のまま 3 億ドルの評価額で 5500 万ドルのシード資金を調達した。Striker Venture Partners、Menlo Ventures、Altimeter Capital が共同で主導し、NVIDIA と Google の首席科学者 Jeff Dean も参加した。Glimpse がまず狙うのは、ロボット企業、科学研究室、メディア、クリエイティブ企業など動画の蓄積が多い顧客だ。長期的には「見る」から「行動する」へ進み、場面のモデルを作って行動を選び、ロボットを直接制御することも目指す。来年には世界最高の視覚推論モデルを作るという目標も掲げるが、それは実績ではなく抱負である。視覚モデルの競争の焦点は、画像の中身を認識できるかから、分からなくなったときに見返しに戻れるかへ移りつつある。
