一家小团队，用几百块GPU，训出了一个视觉推理模型。Elorian 发布了它的首个视觉推理模型 Glimpse，目前以研究预览形式开放，并提供 API 访问。

Glimpse 的特别之处在于处理图像和视频的方式比常规模型更灵活。在处理过程中，它能聚焦图像中的特定位置、从视频中单独抽出某一帧，或者运行代码来测量和比较视觉数据。公司把这个过程称为“视觉工作区”。

换句话说，模型不是把整张图囫囵吞下去，而是像人一样先圈出要看的地方，再动手算。它能裁剪图像区域、提取视频帧，并运行代码做分析。

Elorian 首席执行官、前谷歌 DeepMind 研究员 Andrew Dai 表示，这个模型由一个小团队用数量有限的计算机训练而成。使用成本定为每百万输入数据单位 0.60 美元，每百万输出单位 3 美元。

据 Elorian 自己的测试，Glimpse 在理解科学图表和短视频描述方面超过了此前的模型。这类能力指向的场景很具体：看懂论文里的示意图、说清楚一段短视频里发生了什么。

这家公司在还没有正式产品的时候就拿到了 5500 万美元融资，估值达到 3 亿美元。投资方包括风投机构、英伟达，以及谷歌首席科学家 Jeff Dean。

Glimpse 最初的目标客户包括机器人实验室、科学中心，以及媒体和创意内容公司。Elorian 明年的下一个目标，是做出世界上最好的视觉推理模型。

值得一提的是，OpenAI 在 2025 年也给自己家的模型加上了类似的图像聚焦技术。视觉推理这条赛道上，小团队和大厂已经开始正面碰。