Elorian、画像推論AI「Glimpse」を公開
原題: Elorian’s first AI model wants to reason with images, not just about them
なぜ重要か
画像を推論の起点にし続ける設計は、ロボティクスや科学研究など視覚データ依存の産業向け特化モデルの需要を直接掘り起こす可能性がある。
Palo Alto拠点のAIスタートアップElorianは2026年10月16日、初モデル「Glimpse」をリサーチプレビューとして公開した。同社は製品リリース前に評価額3億ドルで5500万ドルのシード調達を完了しており、APIアクセスが可能。チャットインターフェースはウェイトリスト制。価格は入力100万トークンあたり0.60ドル、出力は3ドルに設定されている。
ElorianのCEOで元Google DeepMind研究員のAndrew Daiは、既存マルチモーダルモデルの限界をボードゲームの写真で実感した。昨年、友人と遊び終えたボードゲームを撮影して frontier モデルに勝者を尋ねたが、答えられなかった。「ボードゲームにはそれぞれ独自のビジュアル言語やアイコンがある。大人なら最小限のテキストで状況を把握できるが、既存モデルはシンボルの意味を直感的に理解できない」とDaiは語る。
Glimpseが解こうとする問題はシンプルだ。現在の多くのマルチモーダルモデルは画像を一度だけ見てトークンに変換し、その後はテキストで推論する。いわば写真を記憶から描写するような処理だ。対してGlimpseは推論の途中で画像に何度も立ち返れる。特定領域のクロップ、動画の特定フレーム抽出、測定・比較のためのコード実行といった操作を組み合わせる仕組みをElorianは「visual scratch space」と呼ぶ。スマートフォンでピンチズームして見直す行為をAIが行うイメージだ。
このアプローチ自体は完全に新しいわけではない。OpenAIは2025年にo系モデルへ推論中のクロップ・ズーム機能を追加している。Elorianの差別化点は、その仕組みをモデル全体の設計思想の中心に置き、少ないリソースで実現した点にある。数百台のGPUで小規模チームが学習させたGlimpseは、フロンティアモデルより大幅に小さいとされる。
価格は入力100万トークンあたり0.60ドル、出力3ドル。Claude SonnetやSolより安価だが、HaikuやLunaといった軽量モデルよりは高い。Elorianの評価によれば、GlimpseはGPT-6 Astraを含む主要モデルを科学的チャート推論と短尺動画キャプション生成で上回り、他のビジュアル推論タスクでも競合する結果を出している。
同社は6カ月前にStepherd Venture Partners、Menlo Ventures、Altimeter Capitalが共同主導し、NvidiaとGoogle主任科学者Jeff Deanも参加したラウンドでステルスを解除した。初期ターゲットは動画データを大量に保有するロボティクス企業、科学研究所、メディア、クリエイティブ企業だ。長期的には「見る」から「行動する」へ移行し、シーンのモデルを構築してアクションを選択するシステムを目指す。