帕洛阿尔托人工智能初创公司Elorian周五发布其首个模型Glimpse。据TechCrunch独家报道，该模型以研究预览形式提供API访问，聊天界面仅限排队用户使用；这家公司在推出产品前，已以3亿美元估值完成5500万美元种子轮融资。

Elorian提出的判断是，当前AI模型虽然擅长语言和代码，但仍不能真正“看见”。多数多模态模型只把图像看一次，转换成token，然后在文本中推理，就像凭记忆描述照片。Glimpse则在推理过程中反复回到源材料：它可以裁剪图像区域、从视频中抽取特定帧，或运行代码测量、比较所看内容。Elorian将这一机制称为“视觉暂存空间”，类似人在手机照片上双指放大，以确认自己以为看到的东西。

该公司首席执行官Andrew Dai曾是谷歌DeepMind研究员。他提到，去年一次游戏之夜，他拍下和朋友刚玩完的桌游照片，问一个前沿模型谁赢了，模型答不出来。他对TechCrunch说，桌游“各有各的视觉语言，各有各的图标、符号”，“对成年人来说，借助很少文本就能很容易理解发生了什么，但这些模型无法直觉地理解符号含义”。他还说：“人类可以看着没有文字的宜家说明书组装宜家家具，为什么AI模型不能？”

这种思路并非完全首创。TechCrunch报道称，OpenAI在2025年已为其o系列模型在推理中加入裁剪和缩放功能，但Elorian的卖点是用较低成本围绕这一能力构建整个模型。该公司称，一个小团队用几百块GPU训练了Glimpse，模型规模远小于其基准测试所对比的前沿系统。

定价方面，Glimpse输入每百万token收费0.60美元，输出每百万token收费3美元。按TechCrunch报道，这比Sonnet和Sol等中级模型便宜，但比Haiku和Luna等轻量模型贵。根据Elorian的评估，Glimpse在科学图表推理和短视频字幕生成上超过GPT-6 Astra，在其他视觉推理任务上也有竞争力。

Elorian六个月前结束隐身状态，当时融资由Striker Venture Partners、Menlo Ventures和Altimeter Capital共同领投，英伟达和谷歌首席科学家Jeff Dean参投。公司初期目标客户是拥有大量视频的企业，包括机器人公司、科学实验室以及媒体和创意公司。更长期看，Elorian希望从“看见”走向“行动”，即通过构建场景模型来选择行动，包括直接控制机器人。Dai表示，公司明年目标是构建“世界上最好的视觉推理模型”，在每一项视觉推理测试中领先。