Стартап Elorian из Пало-Альто представил модель Glimpse — первый продукт после посевного раунда на $55 млн при оценке $300 млн. По данным TechCrunch, модель умеет во время рассуждения снова обращаться к изображению или видео: вырезать нужный фрагмент, выбирать кадры и запускать код для измерений. Для российских команд, работающих с видео, промышленной автоматизацией и научными данными, это важный сигнал: конкурентоспособность мультимодальных ИИ всё сильнее зависит не от красивого описания картинки, а от способности перепроверять увиденное.
Glimpse вышла в формате исследовательского превью: доступны API и чат-интерфейс. Elorian строит продукт вокруг механизма, который называет «визуальным черновиком». Вместо одного прохода по изображению с последующим текстовым рассуждением модель может вернуться к исходнику посреди ответа. По смыслу это похоже на привычное действие человека, который увеличивает участок фотографии, чтобы не гадать о мелкой детали. Для видео подход дополняется выбором конкретных кадров, а для задач, где полезны числа, — выполнением кода и сравнением объектов.
Проблема вполне прикладная. Обычная мультимодальная модель может распознать на фото доску настольной игры, но ошибиться в состоянии партии, если нужно понять значение условных значков, расположение фишек и связи между элементами. Основатель и CEO Elorian Эндрю Дай, ранее работавший исследователем в Google DeepMind, приводит именно такой пример: frontier-модель не смогла определить лидера по фотографии только что завершённой игры. Человек обычно считывает такую визуальную грамматику почти без инструкции; машине требуется возможность всмотреться ещё раз.
Подобные приёмы уже появляются у крупных игроков: OpenAI добавила кадрирование и масштабирование в процессе рассуждения для моделей серии o в 2025 году. Отличие Elorian — в заявке сделать этот сценарий не дополнительной функцией, а основой архитектуры и обучения. Компания утверждает, что обучила модель Glimpse на нескольких сотнях GPU и что она заметно компактнее систем, с которыми её сравнивают. Независимой технической публикации с методологией обучения в сообщении не приведено, поэтому эти заявления пока стоит воспринимать как позицию разработчика, а не как закрытый вопрос для рынка.
С цифрами на витрине Elorian тоже действует смело. По собственным оценкам компании, Glimpse превосходит GPT-6 Astra в рассуждении по научным графикам и в создании коротких подписей к видео, а в других тестах визуального рассуждения показывает конкурентные результаты. Бенчмарки особенно важны для таких сравнений: состав тестовых выборок, тип ошибок и доступ моделей к инструментам способны изменить итог сильнее, чем разница в одной строке рейтинга. Тем не менее фокус на графиках и коротком видео выбран удачно — именно там бизнесу часто нужен не литературный пересказ, а проверяемое извлечение фактов.
Стоимость API заявлена на уровне $0,60 за миллион входных токенов и $3 за миллион выходных. По сравнению Elorian, это дешевле моделей среднего класса вроде Sonnet и Sol, но дороже облегчённых Haiku и Luna. Для команд, которые считают юнит-экономику видеоаналитики, важна не только цена токена. Придётся замерять, сколько дополнительных обращений к кадрам и итераций рассуждения требуется на один полезный ответ. Если модель действительно избегает ошибок на мелких деталях, более высокая цена одного запроса может окупиться снижением доли ручной проверки.
Первыми клиентами Elorian видит компании с большими видеомассивами: разработчиков робототехники, научные лаборатории, медиа и креативный бизнес. Это логичнее, чем начинать с абстрактного «понимания изображений». Роботу необходимо заметить положение объекта и принять действие; лаборатории — корректно прочитать график или результат наблюдения; медиакоманде — находить нужные эпизоды в потоке роликов. Для разработчиков интеграция такого ИИ означает сдвиг в проектировании: нужно хранить доступ к первичным материалам и строить пайплайн так, чтобы модель могла запросить область интереса, а не получать лишь сжатое текстовое описание.
Инвесторы уже поставили на эту ставку: Elorian вышла из скрытого режима шесть месяцев назад, а раунд совместно возглавили Striker Venture Partners, Menlo Ventures и Altimeter Capital; в нём также участвовали Nvidia и главный научный сотрудник Google Джефф Дин. Дальняя цель компании ещё амбициознее — перейти от распознавания сцены к выбору действий, включая прямое управление роботами. В 2027 году Дай намерен вывести Elorian в лидеры всех тестов визуального рассуждения. Главный вопрос теперь не в том, научится ли ИИ приближать картинку, а в том, превратится ли это умение в надёжные решения вне аккуратных бенчмарков. Подробнее о запуске модели Glimpse — в материале .