Glimpse 在 2026 年 10 月 16 日正式亮相，它是帕洛阿尔托初创公司 Elorian 发布的首款模型，先以研究预览形式开放 API，聊天界面只接受候补名单申请。TechCrunch 当天的独家报道确认了发布消息。这家公司的判断很直接：现在的模型能读字、能写代码，却还谈不上真正会看图。
大多数多模态模型看图的方式，是把图像看一眼、转成词元，然后在文字里凭记忆推理，就像看过一眼照片后闭眼描述。Elorian 首席执行官、原 Google DeepMind 研究员 Andrew Dai 讲了一个棋盘游戏之夜的例子：他拍下刚下完的一局棋，问前沿模型谁在赢，模型答不上来。棋盘游戏各有自己的视觉语言和符号体系，成年人扫一眼就懂，模型却读不出来；人类能对着没有文字的宜家说明书装好家具，模型同样做不到。
推理走到一半，再回去看原图
Glimpse 的做法是给推理留一块“视觉草稿区”：推理进行到一半时，它可以裁出某个区域放大看、从视频里抽出指定帧，或者运行代码去测量、比对画面里的对象，而不是只靠第一眼的印象往下猜。这条路线并非无人走过——OpenAI 在 2025 年就给 o 系列模型加过推理中裁剪放大的能力；Elorian 的不同在于把整款模型都围绕这个机制来建：一支小团队、用几百块 GPU 训练，模型规模明显小于它对标的前沿系统。
成绩单和价格，都要留个心眼
价格上，Glimpse 每百万词元输入 0.60 美元、输出 3 美元，比 Sonnet、Sol 这类中档模型便宜，但比 Haiku、Luna 这类轻量模型贵。公司自测称，它在科学图表推理和短视频描述上超过了 GPT-6 Astra，其他视觉推理任务与前沿模型接近。不过这些成绩全部来自 Elorian 自己的评测，加上模型目前只开放研究预览和候补名单，外部还很难独立复现——这张成绩单现阶段只能当参考，不能当定论。
第一批客户，是手里攒着大量视频的公司
Elorian 半年前结束隐身状态时，还没发布任何产品，就以 3 亿美元估值拿下 5500 万美元种子轮，由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 共同领投，NVIDIA 和 Google 首席科学家 Jeff Dean 也参与其中。Glimpse 先瞄准机器人公司、科学实验室、媒体和创意公司这类视频存量大的客户；再往后，公司想从“看懂场景”走到“根据场景采取行动”，包括直接控制机器人，并定下明年做出最强视觉推理模型的目标。目标喊得响，最终还是要等独立评测和真实客户的使用结果来兑现。视觉模型这一轮竞争的胜负手，正在从“能不能认出图里的东西”，变成“拿不准时知不知道回去再看一眼”。
