Мультимодальная нейросеть Glimpse за $0,60 за млн токенов: Elorian бьёт GPT-6 на графиках

Калифорнийский стартап Elorian, привлёкший 55 миллионов долларов ещё до запуска продукта, 13 июня выпустил свою первую мультимодальную нейросеть Glimpse, которая умеет «возвращаться» к изображению в процессе рассуждения, а не описывать его по памяти.

Elorian вышла из режима скрытой разработки полгода назад с раундом на 55 миллионов долларов при оценке компании в 300 миллионов. Об этом эксклюзивно сообщает TechCrunch. Раунд возглавили Striker Venture Partners, Menlo Ventures и Altimeter Capital, среди участников указаны Nvidia и главный учёный Google Джефф Дин. До выхода Glimpse у компании не было публичного продукта, только команда и тезис.

Что Glimpse делает иначе?

Большинство мультимодальных нейросетей обрабатывают картинку один раз: переводят её в токены (числовые коды, понятные модели) и дальше рассуждают только над текстом. По аналогии, это как описать фотографию по памяти, а потом отвечать на вопросы, не глядя на неё.

Glimpse работает по другому принципу. В процессе рассуждения модель может вернуться к исходному изображению, обрезать нужный фрагмент, вытащить конкретный кадр из видео или запустить код, чтобы измерить или сравнить то, что видит. Elorian называет этот механизм «визуальным черновым пространством» (visual scratch space).

Простая аналогия: вы рассматриваете фотографию на телефоне и двумя пальцами увеличиваете деталь, чтобы перепроверить то, что показалось.

Подход не совсем новый. По данным TechCrunch, OpenAI добавила обрезку и масштабирование при рассуждении в свои модели серии o в 2025 году. Отличие Elorian в том, что вся архитектура Glimpse построена вокруг этого механизма, а не дополнена им позже.

Компактная модель за сотни, а не тысячи GPU

Компания заявляет, что Glimpse обучена небольшой командой на «нескольких сотнях GPU» (графических процессоров, вычислительных модулей для обучения нейросетей). По словам Elorian, модель существенно меньше тех крупных систем, с которыми её сравнивают в бенчмарках.

Стоимость инференса (запуска модели для получения ответа): 0,60 доллара за миллион входных токенов и 3 доллара за миллион выходных. По данным TechCrunch, это дешевле моделей среднего класса вроде Sonnet и Sol, но дороже лёгких моделей уровня Haiku и Luna.

По собственным оценкам Elorian, Glimpse превосходит GPT-6 Astra на задачах анализа научных графиков и описания коротких видео, а на остальных визуальных задачах показывает конкурентные результаты. Независимых подтверждений этих цифр пока нет: модель доступна только в режиме исследовательского превью через API, а чат-интерфейс работает по листу ожидания.

Люди могут посмотреть на инструкцию IKEA, вообще без текста, и собрать мебель. Почему ИИ-модели так не могут? : Эндрю Дай, CEO Elorian, бывший исследователь Google DeepMind

Кому нужна модель, которая «видит»?

Первые клиенты, по словам Elorian, это компании с большим объёмом видео: робототехнические фирмы, научные лаборатории, медиакомпании и креативные студии. В перспективе Elorian хочет перейти от «видения» к «действию»: строить модель сцены и на её основе выбирать действия, включая управление роботами.

На следующий год Эндрю Дай заявил цель: построить «лучшую в мире модель визуального рассуждения», лидирующую во всех тестах на визуальное рассуждение.

Что это значит для вас?

Авторам Дзена и копирайтерам. Если Glimpse подтвердит заявленное качество, появится инструмент для анализа скриншотов, инфографики и коротких видео, который дешевле нынешних лидеров. Пока доступ только по листу ожидания и через API, то есть без интерфейса для «нажал кнопку и получил результат». Следите за открытием чат-версии.

Маркетологам. Автоматический разбор визуального контента (графики, диаграммы, короткие ролики) по цене ниже Sonnet меняет экономику аналитики: можно массово обрабатывать визуалы конкурентов, отчёты, рекламные креативы. Но пока всё держится на собственных бенчмарках Elorian.

Предпринимателям в РФ и СНГ. Glimpse пока не доступен без ожидания, и компания не объявляла планов по локализации. Из доступных в России мультимодальных инструментов: YandexGPT (в Алисе и API) и GigaChat от Сбера умеют работать с изображениями, хотя механизм «возврата к картинке» в процессе рассуждения у них не заявлен. Для задач анализа графиков и диаграмм можно тестировать Claude от Anthropic или GPT-4o через VPN.

Практический шаг прямо сейчас: откройте любой сложный график или инструкцию без текста и попросите текущую мультимодальную нейросеть (GPT-4o, Claude, GigaChat) объяснить, что на картинке. Запишите, где модель ошиблась. Когда Glimpse откроет доступ, повторите тот же тест и сравните. Это займёт пять минут, но покажет, стоит ли менять инструмент.