「第一次"回头看"的 AI」：前 DeepMind 研究员的 Elorian 发布 Glimpse，视觉推理赛道迎来新玩家

结论先行（要点速览）：

• 10 月 16 日，Elorian 发布首款模型 Glimpse，定位"视觉推理模型"：核心机制叫 visual scratch space（视觉草稿区）——推理中途可以反复回到原图，局部放大、视频抽帧、甚至跑代码测量对比，而不是"看一眼转成 token 然后全靠文字推理"。
• 自家评测称 Glimpse 在 4 个视觉任务上超过 GPT-6 Astra（图表推理、短视频描述、物体计数、机器人操作事件），1 平 5 负。注意这是公司自报成绩，独立第三方复测还没出来。
• 定价 $0.60 / $3.00 每百万输入/输出 token，官方标榜比 GPT-6 Astra（$10/$50）便宜 94%。但细看图费 token，真实任务成本还要打个折扣。
• 以 research preview 形式开放 API，聊天界面仅 waitlist；首批目标客群是机器人公司、科研实验室和媒体创意公司——离你我上手的"聊天框"还差一步。
• 更大看点是趋势：小团队 + 几百张 GPU 也能做出有竞争力的专用模型，"视觉推理"正在成为新的模型能力分水岭。

一、Glimpse 是什么：让 AI 推理中途"再看一眼"

今天的主流多模态模型处理图片的方式，其实都很"敷衍"：看一眼 → 转成一堆 token → 之后全程只跟这些 token 打交道。这就像你只瞥了一眼照片，就被要求靠记忆描述细节——数错个数、漏掉角落里的小字、搞错空间关系，都是家常便饭。

Elorian 的创始人 Andrew Dai（前 Google DeepMind 研究员）就是被这个气到的：去年游戏之夜，他拍了一张和朋友玩完的桌游照片，问前沿模型"谁赢了"，模型答不上来。桌游有自己的视觉语言和符号体系，成年人一眼就能看懂，AI 却读不懂。他在 TechCrunch 的专访里反问："人类能看 IKEA 纯图解装好家具，为什么 AI 不行？"

Glimpse 的答案就是 visual scratch space：推理过程中随时"回头看"。具体来说，模型在推理中途可以：

• 裁剪放大：对图表的某个角落 pinch-to-zoom 式地二次检查；
• 视频抽帧：把视频放慢、按更密的帧率重新采样；
• 逐帧追踪：在连续帧里盯住同一个物体看变化；
• 跑代码验证：写一小段代码去测量、对比图里看到的东西。

这个想法并非完全原创——OpenAI 早在 2025 年就给 o 系列模型加过推理时的 crop-and-zoom。但 Elorian 的卖点是：别人是"加了个功能"，它是整个模型围绕这个机制从头构建。官方称，一个很小的团队用几百张 GPU 就训了出来，而且模型体量明显小于它对标的前沿系统。

二、成绩单：4 胜 1 平 5 负，"自己给自己判卷"要打个问号

Elorian 公布的对战 GPT-6 Astra 的 10 项视觉评测结果如下（均为公司自报，采用各自原生 agent harness 和最高思考强度）：

几点解读：

1. 赢的项目很"对味"：图表、计数、机器人操作、短视频描述——正好是"反复看图"机制最吃香的场景。输的项目（HSS、Video-MME v2）多是开放式综合理解，说明 Glimpse 目前是"偏科生"，精细视觉感知强，综合理解还在追赶。
2. "考试是学生自己出的"：多家媒体都点了同一个 caveat——这是 Elorian 自己的评测，不是独立实验室做的。外媒 crypto briefing 的评价很到位："这是一场由考生自己判分的考试"。真正的成绩单要等第三方复测。
3. 别忘了人类还遥遥领先：Elorian 自己参与共建的 Humanity's Sixth Sense 基准（522 道图文/视频题）上，GPT-6 Astra 得 53.6 分，人类平均 93.1 分。视觉理解这条赛道，AI 离人还差得远。

机器人成本示例很直观：同一 LIBERO 机器人任务、同一策略，Glimpse 和 Astra 都完成了规划，但 Glimpse 花了 $0.035，Astra 花了 $0.249，大约 7 倍差距：

# 同一 LIBERO 机器人任务的规划成本（Elorian 官方示例）
glimpse_cost=0.035   # 美元/回合
astra_cost=0.249     # 美元/回合
echo "scale=1; $astra_cost / $glimpse_cost" | bc   # ≈ 7.1 倍

三、价格：$0.60/$3，官方喊出"比 Astra 便宜 94%"

Elorian 在发布博文的 Table 1 里直接拉了个价格对比表（均为未缓存输入价，每百万 token）：

官方宣传"比 Astra 便宜 94%"，算术没错（$0.60 vs $10.00）。但 TokenPost 的提醒值得记下：单价便宜 ≠ 任务便宜。Glimpse 的工作方式就是反复细看图、抽帧、跑代码——这些动作本身都要烧 token。官方示例里 LIBERO 任务省了 7 倍，但在视频密集型任务上，token 消耗可能会吃掉一部分价格优势。实际账单，要等开发者真跑起来才知道。

另外注意访问方式：目前是 research preview，API 已开放，聊天界面只能排 waitlist。想"打开网页聊两句"体验的，还得等等。

四、谁该关注：机器人、科研、媒体是第一批

Elorian 点名的首批目标客户很具体：手里有大量视频的公司——机器人公司、科学实验室、媒体和创意公司。场景对号入座：

• 机器人：仓库分拣、操作规划，需要"看清再动手"；
• 科研：科学图表解读、实验视频分析、医学影像辅助；
• 媒体/创意：短视频内容理解、素材检索。

Elorian 的长期路线图更激进：从"看"到"做"——用视觉推理建模场景、直接选择动作，乃至直接控制机器人。Dai 放话说明年的目标是"全视觉推理测试第一"。

给普通用户的实用建议：如果你是开发者，有文档 QA、图表解析、视频分析类需求，可以去排 API 尝鲜——$0.60/$3 的定价在"能看懂图"这个档位里确实便宜；但它现在还是 research preview，别指望它当通用聊天助手用。普通用户等聊天版开放再说。

五、点评：小团队 + 几百张 GPU，也能掀桌子

最后说点趋势层面的。这家公司今年 4 月才走出 stealth，融了 $5500 万种子轮、估值 $3 亿，背后有 Nvidia 和 Google 首席科学家 Jeff Dean——融钱的时候连产品都没有。半年后交卷：一个小团队、几百张 GPU，做出了在细分任务上能跟 GPT-6 Astra 掰手腕的模型。

这说明两件事：第一，视觉推理是真实存在的下一个瓶颈，文字和代码卷到头了，"看清世界"才是通向物理智能的门票；第二，前沿模型的"大力出奇迹"叙事正在松动——聪明的架构 + 对的场景，小团队也能打出伤害。

当然，冷静的话也要说在前面：自报成绩、preview 阶段、综合理解偏科。Glimpse 是"视觉推理"这条新赛道的第一枪，值不值得跟进，看未来几周的独立评测。

一句话总结：Glimpse 让 AI 第一次学会"推理中途回头看图"，在图表和机器人任务上小胜 Astra 且便宜 94%，但这是自家判分的成绩单——视觉推理赛道开赛了，独立复测才是真正的发令枪。

来源：

• TechCrunch：Elorian's first AI model wants to reason with images, not just about them（2026-10-16）：https://techcrunch.com/2026/10/16/elorians-first-ai-model-wants-to-reason-with-images-not-just-about-them/
• TokenPost：Elorian's Glimpse Lists API Rates 94% Below GPT-6 Astra, With Mixed Results（2026-10-16）：https://www.tokenpost.com/news/technology/33913
• FourWeekMBA：Nvidia-Backed Elorian Prices Glimpse 94% Below GPT-6 Astra（2026-10-16）：https://fourweekmba.com/ai-nvidia-backed-elorian-prices-glimpse-94-below-gpt-6-astra/
• Startup Fortune：Elorian launches Glimpse, a visual reasoning model that re-examines images（2026-10-16）：https://startupfortune.com/elorian-launches-glimpse-a-visual-reasoning-model-that-re-examines-images/
• Crypto Briefing：Elorian launches Glimpse, an AI model built to reason in pictures（2026-10-16）：https://cryptobriefing.com/elorian-launches-glimpse-visual-reasoning-ai/