Elorian Glimpse 深度评测:60 美分/百万 token 的视觉推理模型,真能挑战 GPT-6 Astra?

Wed, 21 Oct 2026 00:00:00 +0000

摘要

2026 年 10 月 16 日，成立不到一年的 Palo Alto 创业公司 Elorian 发布了首个模型 Glimpse。它的主张很明确:现有的多模态模型大多是在“对图像做推理”，而 Glimpse 想做的是“用图像来推理”——把图像本身当作推理过程中的草稿纸，在思考途中主动裁剪、放大、重新抽帧，甚至在推理链里插入代码去测量像素。

价格是这次发布最具冲击力的部分:输入 0.60 美元/百万 token，输出 3.00 美元/百万 token，约为 GPT-6 Astra 10 美元/50 美元定价的 6%；上下文窗口为 262,144 token。Elorian 公布的对比数据显示，Glimpse 在 WGO Bench、UGC-VideoCap、FSC-147、CharXiv-R 等偏“细粒度视觉”的任务上小幅领先 Astra，但在 HSS、Video-MME v2、TOMATO 等综合视频理解任务上明显落后，ERQA 基本打平。

需要强调的是，这些数字全部来自厂商自测，目前没有第三方复现。本文从技术机制、基准表现、成本结构与落地场景四个维度，判断它到底是“视觉推理的新范式”，还是一次精准的低价卡位。

事件背景

Elorian 总部位于加州 Palo Alto，CEO Andrew Dai 此前在 Google DeepMind 工作。公司在产品发布之前就完成了一轮 5500 万美元的种子融资，估值约 3 亿美元，由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 领投，Nvidia 与 Jeff Dean 参投。这种“先融资、后发布”的节奏，说明资本市场对“视觉推理”这条路线给出了相当高的预期。

Glimpse 目前处于 research preview 阶段，提供 API，并开放了一个需要排队等待的聊天界面。Elorian 明确列出三类目标客户:机器人公司、科研实验室、媒体与创意团队。这三类场景的共同点是，模型必须从图像或视频里读出可执行的细节——机械臂要判断抓取点，实验室要读凝胶电泳图，创意团队要核对画面里的构图与文字。

这恰好是过去一年多模态模型的软肋。主流模型能描述“图里有什么”，却很难稳定回答“这根线有没有接错”“这个仪表读数是多少”“这一帧和上一帧的手部姿态差了多少”。Elorian 把问题归结为表征方式:如果视觉信息只能被压缩成一段文本描述再进入推理，细节在第一步就丢失了。

核心技术解析

技术架构

Glimpse 并没有从零训练一个前沿规模的基座。根据 Elorian 披露的信息，它是在开放权重模型之上做后训练，训练只动用了几百张 GPU，模型规模远小于它对标的闭源前沿模型。这意味着它的竞争力不来自参数量，而来自“推理时如何使用视觉输入”这套机制。

Elorian 把核心机制称为 visual scratch space(视觉草稿纸)。传统多模态模型的前向过程是“一次看完整张图，然后开始写文字”;Glimpse 则在推理中途生成新的视觉观测:裁出某个区域、把该区域放大到更高分辨率、重新读取，再把新观测写回推理上下文。对视频，它会按需提高抽帧密度，例如从 8fps 提升到约 14fps，只在关键片段上付出额外成本。

  graph TD
    A[输入图像或视频] --> B[首轮全局观测]
    B --> C{需要更细的细节?}
    C -- 否 --> D[直接输出结论]
    C -- 是 --> E[裁剪目标区域并放大]
    C -- 是 --> F[对关键片段加密抽帧 8fps 到 14fps]
    E --> G[写入视觉草稿纸]
    F --> G
    G --> H[可选的代码测量: 像素距离 角度 计数]
    H --> I[子代理共享文本 视觉工件 内部表征]
    I --> J[继续推理或输出结论]
    J --> C

另一层设计是子代理协作。Glimpse 可以孵化多个子代理，它们不只交换文本，还能共享视觉工件和内部表征。对长任务来说，这相当于让不同子代理分别盯住画面中的不同区域，再把结论汇总，而不是让一个模型在单条上下文里反复回看整段视频。

关键创新点

第一，把“看”变成可迭代的动作。 传统多模态推理是一次性编码，Glimpse 把观察拆成多轮，每一轮都可以改变分辨率和视野。这与人类看显微镜的习惯相似:先看全景定位，再换高倍镜确认细节。

第二，视频按需加密抽帧。 视频理解的成本主要由帧数决定。Glimpse 不在输入端统一提高帧率，而是在推理过程中判断哪一段需要更密的采样，把算力花在真正影响结论的片段上。

第三，推理链内运行代码测量。 对距离、角度、数量这类问题，语言模型容易“估计”，而估计往往不稳定。Glimpse 可以在推理中调用代码对图像做实际测量，把主观估计换成可复现的数值。

第四，极低的推理定价。 0.60 美元/百万输入 token 与 3.00 美元/百万输出 token，配合 262,144 token 上下文，使得“让模型反复放大、反复回看”这种高 token 消耗的推理方式在经济上成立。若按 Astra 的定价执行同样的多轮观察，成本会高出约一个数量级。

性能评测

Elorian 公布的对比对象是 GPT-6 Astra，全部为厂商自测:

评测项	Glimpse	GPT-6 Astra	结论
WGO Bench	42.70	39.42	领先
UGC-VideoCap	82.66	80.32	领先
FSC-147(细粒度计数)	83.36	82.02	领先
CharXiv-R(图表推理)	92.90	92.10	微幅领先(Claude Opus 5.5 为 93.40)
ERQA	83.75	83.75	打平
HSS	46.36	53.60	明显落后(人类 93.1)
Video-MME v2	56.68	64.06	明显落后
TOMATO	93.60	96.02	落后
BabyVision	未披露具体值	未披露具体值	落后

这张表传达的信息比“领先”二字更复杂。Glimpse 的优势集中在需要局部细节、计数、图表坐标的任务上，也就是视觉草稿纸能直接发挥作用的场景;而在需要长时间跨帧 tracking、综合叙事理解的视频任务上，它明显不如 Astra。HSS 只有 46.36 分、距离人类 93.1 分仍有巨大差距，说明“看懂复杂场景中的空间关系”依然是硬骨头。

Elorian 还演示了一个机器人规划场景:在 LIBERO 环境中配合 π0.5 策略执行操作任务，单次 episode 的推理成本为 0.035 美元，而使用 Astra 的对照方案为 0.249 美元。这个数字更能说明它的商业逻辑——不是要在所有榜单上赢，而是要在“高频调用视觉推理”的场景里把单位成本压下来。

行业影响

对市场的影响

过去一年，前沿模型的竞争主要在“综合能力”上，价格战则集中在文本 token。Glimpse 把战场挪到了“视觉 token 的性价比”:当视觉推理需要多轮放大和加密抽帧时，单 token 价格会直接决定一个应用能不能跑起来。如果这种按需观察的范式被验证，闭源厂商将被迫回答一个问题——高定价是否还站得住。

对开发者的意义

对开发者而言，最直接的变化是试错成本下降。以 0.60 美元/百万输入 token 计算，一个包含 20 轮局部放大、每轮 2000 token 视觉输入的请求，输入成本仍在可接受范围内。这让“让模型反复看”从奢侈操作变成常规操作，视觉 Agent 的设计空间会被打开。

但同时要警惕供应商锁定:visual scratch space 是一套私有推理协议，裁剪策略、抽帧逻辑、子代理协作方式都没有公开标准。一旦业务逻辑深度依赖这些行为，迁移成本会高于调用一个普通多模态 API。

商业化前景

Elorian 选择的三个方向都有明确的付费意愿:机器人公司愿意为抓取成功率付费，科研实验室愿意为读图准确性付费，媒体团队愿意为素材核对效率付费。真正的挑战在于交付形态——research preview 意味着稳定性、限流和服务等级协议都还不确定，而从“看见”走到“行动”(直接控制机器人)需要的不只是模型能力，还有实时性和安全认证。

实际体验

使用场景演示

以一个典型的工业质检任务为例:给定一张电路板照片，要求判断某个焊点是否虚焊。传统多模态模型通常只能给出“看起来正常/异常”的模糊结论;Glimpse 的处理路径是先用全局视野定位板卡区域，再裁剪焊点附近放大，必要时对放大图运行代码测量亮斑面积与边缘锐度，最后给出带数值依据的判断。

面对视频任务时，差异同样明显。例如分析一段机械臂装配视频，模型可以先以 8fps 粗看全流程，定位到动作失败的片段后把该段提升到约 14fps 重看，从而区分“夹爪没夹住”和“零件位置偏移”这两种完全不同的故障原因。这类区分对下游的维修决策至关重要。

优势与不足

优势:

单位视觉推理成本极低，适合高频、多轮的观察型任务
视觉草稿纸机制直击“细节在编码阶段丢失”的痛点
262,144 token 上下文可以容纳长视频的多轮观测记录
在计数、图表、细粒度识别类基准上有可验证的领先
与机器人策略配合时，单 episode 成本优势明显

不足:

所有基准均为厂商自测，缺少第三方复现
综合视频理解(HSS、Video-MME v2、TOMATO)明显落后于 Astra
HSS 46.36 分说明空间关系理解仍是短板，距人类水平很远
推理协议私有，存在供应商锁定风险
仍处 research preview，稳定性与服务保障未知

总结与展望

Glimpse 的价值不在于它是否全面超过 GPT-6 Astra——从自测数据看，它并没有。它真正的意义是把多模态推理的范式从“一次编码、一次回答”推向“多轮观察、边看边算”，并用价格证明这条路可以跑通商业闭环。

接下来的关键观察点有三个:第三方能否复现其细粒度视觉优势;Elorian 是否会公开视觉草稿纸的接口规范;以及从“看见”到“行动”的跨越能否在机器人场景中落地。如果这三点成立，视觉推理会从榜单上的一个子项，变成一个独立的模型品类。

参考来源:

Glimpse on 有鱼智界 | 森林有鱼