什麼是 Glimpse？Elorian 的視覺思考模型詳解

Elorian 於 2026 年 10 月 16 日正式推出 Glimpse——這是其首款模型，也是一種截然不同的多模態系統。Glimpse 並非將圖像一次性轉換為 token 後僅憑單一快照進行推理，而是一款「視覺思考」模型，能在推理過程中隨時回頭審視圖像或影片、裁切特定區域，或在回答前重播一段短片。本指南將介紹 Glimpse 的功能、與前沿模型的基準測試比較、定價，以及其適用場景。

什麼是 Glimpse？

Glimpse 是 Elorian 推出的多模態視覺推理模型，專為從視覺內容中理解並推理物理世界而設計。它不會先將圖像轉換為文字，而是直接對圖像和影片進行推理——因此能在密集場景中找到細微細節、跨幀追蹤事件，並確保答案忠實反映螢幕上的實際內容（Elorian、OpenRouter）。

這一核心理念來自共同創辦人兼執行長 Andrew Dai：當模型對圖像內容不確定時，應該再看一次，而非基於失真的第一印象進行推理。Dai 在 Google 任職 12 年，曾主導 Gemini 資料領域，之後創立了 Elorian（Dealroom）。

Elorian 目前以研究預覽版形式提供 Glimpse，開放 API 存取與聊天介面。在 OpenRouter 上，其 context window（上下文視窗）為 262K token，支援文字、圖像與影片輸入，輸出文字，並支援工具呼叫與結構化輸出。

「視覺思考」的實際運作方式

大多數視覺語言模型只會將圖像讀取為 token 一次，之後便不再重新檢視像素。Glimpse 的設計核心是反覆檢視——TechCrunch 將其描述為「視覺草稿空間」（via WOWTALE 報導）。

在實際運作中，Glimpse 在推理過程中可以：

• 放大特定區域，檢查不確定的細節。
• 回到影片中的特定時刻並重新觀看。
• 以更高的幀率重播短片段——例如，針對決定某個鏡頭是平移還是剪接的那一秒模糊片段，將幀率從約 8 fps 提升至 14 fps。
• 跨時間追蹤單一特徵以判斷動態，例如追蹤窗框邊緣來判斷火車是否正在減速。

根據 Elorian 的說明，Glimpse 也以端對端（end-to-end）方式訓練為智能代理：它能撰寫程式碼、轉換圖像、觀看影片，並生成子代理，讓這些子代理透過交換文字、視覺素材與內部表示來協作解決共同問題。

Glimpse 與 GPT-6 Astra、Opus 5.5 及 Gemini 3.8 Flash 的基準測試比較

Elorian 發布了一份基準測試對比表，將 Glimpse（最大思考強度）與 GPT-6 Astra、GPT-6.1 Sol、Claude Opus 5.5 及 Gemini 3.8 Flash 進行比較。這些是公司自行回報的結果，應視為 Elorian 的內部評估，而非經獨立驗證的數據。

根據 Elorian 的說法，Glimpse 在四項評估中超越 Astra——科學圖表推理、開放詞彙計數、短片字幕生成，以及操作事件理解——並在具身推理（embodied reasoning）上與 Astra 持平。以下為 Elorian 表格中的部分數據：

該表格也呈現了 Glimpse 落後的項目。根據 Elorian 自己的數據，Glimpse 在 BabyVision 細粒度感知、HSS 場景理解、DREAM-1K 密集字幕生成、TOMATO 時序推理、Video-MME v2，以及 CountQA 產品計數等項目上均不及 Astra。Elorian 坦承 Glimpse 是一個規模遠小於對比系統的模型，因此這份勝負參半的結果值得仔細解讀。

一個廣泛流傳的演示結果：Glimpse 解開了 5 道難度遞增的迷宮中的全部 5 道，而 Gemini 3.8 Flash 僅解開 1 道（TestingCatalog 報導）。這是演示結果，並非標準化基準測試。

Glimpse 的定價是多少？

Glimpse 的定價為每百萬輸入 token $0.60 美元，每百萬輸出 token $3.00 美元（OpenRouter）。Elorian 表示，這比以下模型便宜：

• 比 GPT-6 Astra 低 94%
• 比 Claude Opus 5.5 低 85%
• 比 GPT-6.1 Sol 低 70%
• 比 Gemini 3.8 Flash 的入門定價低 20%

由於 Glimpse 的運作方式，實際每項任務的成本差距可能更大。在 Elorian 的機器人規劃範例中，Glimpse 完成一項視覺語言動作任務的費用為 $0.035 美元，而 GPT-6 Astra 完成相同任務的費用為 $0.249 美元。Elorian 指出，密集的重複檢視會消耗更多 token，並表示提升 token 效率是下一個優先目標。

建構過程與融資情況

Elorian 表示，一個小型團隊僅使用數百個 GPU，透過對開放權重基礎模型進行後訓練（post-training）來訓練 Glimpse——遠低於前沿實驗室在旗艦多模態系統上投入的運算預算（Startup Fortune）。

該公司在尚未推出產品前便以 3 億美元估值完成了 5,500 萬美元的種子輪融資，Nvidia 與 Google 首席科學家 Jeff Dean 均參與其中（Dealroom）。

Glimpse 的適用場景

Elorian 的目標市場聚焦於物理世界與媒體應用場景：機器人學（合成資料標注與高層規劃）、建築與製造業影片審查、媒體檔案的密集影片字幕生成，以及工地上的精確計數（OpenRouter）。其核心主張是：對於大規模視覺工作負載而言，前沿通用模型往往不夠精準或成本過高——而一個持續重新審視的低成本專業模型能夠填補這一空缺。

即便是持正面態度的觀察者也提出了一個開放性問題：針對特定能力的專業模型是否是正確的長期發展方向，還是通用前沿模型終將吸收這些技能？就目前而言，Glimpse 是一個具體的押注——視覺推理值得擁有一個專為此而生的模型。

將視覺推理整合至您自己的智能代理架構

Glimpse 提醒我們，真正有用的單位不是一個龐大的模型，而是將合適的模型接入真實工作流程。Eigent 是一款開源本地端 Cowork 桌面應用程式：一支多智能代理 AI 工作團隊，可連接您自己的工具與資料，針對不同任務混合使用最適合的模型。如果您的工作涉及審查影片、文件或儀表板，歡迎參考單人公司 AI 智能代理了解多智能代理工作流程的實際應用，然後下載 Eigent 打造專屬工作流程。