Elorian Glimpse解説：二度見する視覚思考モデル

このローンチを丁寧に読んだ理由

私はeeselで機能とAIエージェントを作っていますが、ロードマップに何度も上がってくる要望があります。画像を読むことです。今年のeeselの営業通話では、技術系製品のサポートチームが、PDF内の画像や図、顧客がチケットに添付する写真を読めるAIを繰り返し求めました。月に約7,000件のチケットを扱うあるDTCサプリメントブランドは、製品知識の一部が、誰も書き起こしていないLoom動画にあると話していました。

多くのビジョンモデルは、画像のキャプションを書き、そのキャプションについて推論することでこれに対処します。重要な細部がキャプションに入っていなければ、そこで破綻します。Glimpseは、まさにそこを直すために作られた最初のモデルです。そこで、ローンチ記事、Together AIのモデルカード、プラットフォームの規約、ローンチ当日の反応を確認しました。ここでは、確かな点と注釈が必要な点をまとめます。

Elorian Glimpseとは？

GlimpseはElorianが "a new category of visual thinking model: a system that reasons about the physical world from what it sees." と呼ぶものです。平たく言えば、答えが画像の中にあり、言葉にしにくいタスク向けに調整されたマルチモーダル推論モデルです。たとえば、何かがどれくらいの速さで動いているか、あるショットが連続したパン一つなのか二つのカットなのか、これらの物体のうち実際にいくつが開いているか、といったタスクです。

開発元は小さいながら、有力な出資者がいます。Elorianは、Striker Ventures、Menlo Ventures、Altimeterから5,500万ドルの資金調達を受け、NVIDIAやJeff Deanも支援者に名を連ねるとしています。共同創業者でCEOのAndrew Daiは、Google BrainとDeepMindで約12年を過ごしました。Elorianは、Glimpseを "as a small team with only a few hundred GPUs, post-trained on an open weights base model" 作ったと述べています。

不明点を明記したスペック表です。

Together AIのページでも、Chat、Reasoning、Vision、Videoに分類され、デプロイタイプはDedicatedのみと表示されています。予算に関わる点なので、後で戻ります。

「視覚思考」はどう動くのか？

Elorianの主張はこうです。今日のビジョンモデルは二段階で推論します。まず画像を言語に翻訳し、次にテキストで推論します。ホームページには "No matter how advanced the subsequent reasoning, this chain is fragile" とあります。視覚的な細部の多くは、正確にも簡潔にも記述できないからです。

Glimpseは、画像を推論そのものの中に取り込みます。"can reason in visual space, revisiting and refining internal visual representations as thinking unfolds." つまり、思考が進むにつれて内部の視覚表現を見直し、洗練できるということです。実際にローンチ記事が示すのは、モデルが回答の途中で行う三つの動きです。領域へのズーム、短い区間をより密なフレームレートで見直すこと、一つの特徴を時間をまたいで追跡することです。

最も分かりやすい例は、カメラが振られる中でドアノブから飛び立つ二羽の鳥のクリップです。ショットがカットかパンかを判断するため、Glimpseはまず6.13秒全体を毎秒8フレームで把握し、次に答えを左右する0.9秒の区間を毎秒約14フレームで見直します。追加の注視は答えが曖昧な箇所にだけ向けられます。これこそが発想の核心です。

知っておきたい設計上の選択がもう二つあります。

• ツール使用が学習に組み込まれています。 Togetherのモデルカードによると、Glimpseは "trained end to end to use multimodal tools that write code, transform images, and watch videos." です。モデルが画像を切り抜いてコードを実行するGeminiのエージェント型ビジョンと考え方が似ています。
• 作業をサブエージェントに分担できます。 Glimpseは "can spawn and coordinate subagents that exchange text, visual artifacts, and internal representations." です。テキストの要約だけでなく視覚的な成果物をエージェント間で受け渡す点が珍しいところです。Claude Codeのサブエージェントを使ったことがあれば、受け渡しに画像が入った同じパターンを想像してください。

チャットインターフェースは、これらすべてを見える形にします。話しかけている間、プラットフォームはElorianが "visual scratch space" と呼ぶものを表示します。ズーム、見直し、追跡された特徴がリアルタイムで見られます。

精度が出る場面：カウント

カウントは、紛らわしいものが加わるまでは簡単に聞こえます。Elorianの例では、閉じたペンチとはさみも写っている写真について "How many open pliers are there?" と尋ねます。Elorianが確認した参照回答では、正解は4つです。閉じたペンチは、正しい道具が違う状態にあるもので、はさみは二つの柄と蝶番がありますが別の道具です。

公平のために付け加えると、Elorianはこの例を確認済みの参照回答であり、"not a recorded model trace" と表記しています。記事内で実際に記録されたトレースは、電車と鳥のクリップ、ロボット映像、建設現場のカウントです。この違いは見落としやすく、デモを共有するときに覚えておく価値があります。

Glimpseは実際どれだけ優秀か？

以下の数値はすべてElorianによるもので、各モデルのネイティブなツール環境で最大の思考量で実行されています。独立した第三者はまだ検証しておらず、10月19日時点でGlimpseのArtificial Analysisページはありません。その前提で、ローンチ時の表を見てみましょう。

太字は各行の最高スコアです。GPT-6 Astraと並べて読むと、パターンが見えてきます。

Glimpseの勝ちは小さく（グラフ推論で0.8ポイント、カウントで1.3ポイント）、負けは大きい（HSSで7.2ポイント、Video-MME v2で7.4ポイント）ものです。正直な見出しは「Astraに勝つ」ではなく、ほとんどの視覚テストでAstraに近く、価格は約16分の1です。それでも大きな意味があり、Elorian自身もそう位置づけています。"frontier-level performance at the level of (and sometimes exceeding)" AstraとClaude Opus 5.5、という表現です。

低価格帯にも明確に勝っています。価格で最も近いGemini 3.8 Flashに対して、Glimpseは12行中11行で勝ち、WGO Benchでは42.70対33.99です。

HSSベンチマークについて

HSSはHumanity's Sixth Senseの略で、ElorianがScale AIと作成した新しいテストです。場面が示唆するものの映していないことについての522問の自由回答（画像288、動画クリップ234）で構成されます。風がどちらから吹いているか、本が棚に収まるか、人々が来訪者なのかスタッフなのか、といった問いです。人間が書いた採点基準のすべての項目を満たした回答だけが正解になります。

人間のスコアは93.1です。Elorianのリーダーボードで最高のモデルであるGPT 6 Astraは53.6、Glimpseは46.36です。二つのことを同時に押さえておく価値があります。実際のギャップを狙っているので有用なベンチマークであること、そしてElorian自身のベンチマークなので、ベンダー作成のテストとして扱うべきことです。自社モデルが勝てないテストを公開した点はElorianの評価できるところです。パートナーがScale AIであることは、問題セットに一定の重みを与えます。

Elorian Glimpseの料金は？

Elorianが公開したのは一行だけなので、料金表は短くなります。

参考までに、Elorianのローンチ時の表が、比較対象モデルの出力価格をどう並べているかを示します。

競合の価格はElorianが掲載した内容です。キャッシュを含む全体の料金表は、私のGPT-6 Astra pricingとOpus 5.5 pricingの解説で扱っています。Elorianの主張では、Glimpseは入力も出力もAstraより94%安く、Gemini 3.8 Flashの導入価格より20%安いとのことです。

実際の請求額を変える要素が二つあります。

1. Glimpseは多くのトークンを使って考えます。 Elorian自身がこう述べています。"Looking that closely takes time, and tokens. Token efficiency is our next highest focus." 長く推論するモデルは、トークン単価が低くても、タスクあたりでは想定より高くなることがあります。予算を組む前に、自分のクリップで試してください。
2. タスク単位の数字は、トークン単位より良く見えます。 Elorianのロボット計画のデモでは、エピソード全体のコストがGlimpseで$0.035、Astraで$0.249と、約7分の1でした。投資家のBrian Zhanは、ロボットが2秒ごとにカメラを確認する場合を計算しました。ロボット1時間あたり1,800回の呼び出しで、"the same budget on Astra buys one check every 14s." だそうです。

Togetherで専用デプロイのみということは、呼び出しごとではなく、確保したGPUに対して支払うことになります。安定した量があり、すでに使っているインフラにトラフィックを置く理由があるチームに向いています。専用エンドポイントの課金方法は、私のTogether AI pricingガイドで説明しています。最初の試用には、Elorian APIのほうが簡単です。シナリオ別の詳細なコスト内訳は、Glimpseの料金に関する別記事で取り上げる予定です。

実際に何に向いているか？

ElorianとTogetherは同じ三つのユースケース群を挙げており、それはベンチマークが最も強い領域と一致しています。

ロボティクスのデータと計画。 Glimpseは、遠隔操作の映像にラベルを付け、物体に名前を付けて枠で囲み、エピソードをタイムスタンプ付きのピック＆プレイスのイベントに分割できます。視覚・言語・行動のロボットポリシーのプランナーとして、カメラを確認して手順が完了したかを判断することもできます。ローンチのデモでは、LIBEROタスクでPhysical Intelligenceのπ0.5ポリシーのために計画しました。ロボティクスが専門なら、GoogleのGemini Robotics 2やGemini 4 Argon for roboticsと比べてみてください。

"Most teleop footage sits unlabelled because segmenting every step by hand is slow and expensive."

Linus Ekenstam, X

大規模な動画。 細かな動きや感情の流れを捉える高密度なキャプション、検索用の短尺・ソーシャル動画のタグ付け、手持ち映像での物体の追跡やカウントです。Elorianの子犬のデモでは、カメラが外れて戻ってきても各子犬の番号を保ちます。これが動画でのカウントの難所です。

科学・運用の点検。 グラフや実験データの読み取り、紛らわしいものを区別しながらの機器や在庫のカウント、写真から物理的な結果を推論することです。Elorianの建設現場のデモは、ヤード内の車両を数え、根拠にしたタイムスタンプを返します。監査人が求める種類の証跡です。

初期ユーザーの反応は？

Xでのローンチ時の反応は、ほとんどが目に見える過程についてでした。Andrew Daiの発表には5,700を超えるいいねが付きました。

"Spent years watching models ace a single image and completely whiff on anything that moves or changes angle. Today we're fixing that."

Andrew M. Dai, X

早期アクセスのテスターの一人は、絵画でカウントのテストを行い、答えだけでなくモデルの動き方を評価しました。

"Glimpse broke the image into four sections, zoomed in to examine the details, and analyzed the visual clues before reaching its final answer: 5 horses."

Ai Arainz, X

最も鋭い反論は返信欄にあり、どのデモにも向けるべき的確な問いです。

"Counting is the easy thing to check, but the footage use is where it gets hard. Asking why something changed means tracking the same object across frames and tying it to a cause, and that is where a lot of vision models start guessing. I'd want to see it on a long clip where the key change happens off to one side of the frame."

Kieren Day, X

注目すべきは、Brian Zhanのロボティクスのスレッドや、Strikerの "1/16 the price of Astra" の投稿など、最も強気なローンチ投稿の多くがElorianの投資家によるものだという点です。計算には役立ちますが、中立的なレビューではありません。独立したテスターが長いクリップの結果を公開したら、この記事を更新します。

Glimpseの弱点

最初のモデルとしては致命的なものではありませんが、これを基盤に構築する前に知っておくべき点です。

• 研究プレビューです。 Elorian自身の表現です。モデル、制限、価格は変わる可能性があります。
• 独立したベンチマークはまだありません。 すべてのスコアはElorianが最大の思考量で実行したもので、Elorianが作成したベンチマークを含む表に載っています。
• 基本情報が足りません。 コンテキストウィンドウ、最大出力、レート制限、キャッシュ入力価格、バッチ階層は公開されていません。API購入者にとっては、本番で使えるかを左右します。
• 重みがありません。 オープンウェイトのベースの上に作られていますが、Glimpse自体はクローズドです。ビジョンを自前でホストする必要があるなら、Nemotron 3.5 Super VLやDeepSeek V4 Flashのビジョン実験がオープンな選択肢です。
• デフォルトでアップロードを学習に使います。 Elorianの規約は、送信されたコンテンツをモデルの "train, test, evaluate, and improve" に使うライセンスを与えています。有料ユーザーはメールでオプトアウトできますが、無料ユーザーには規約上その選択肢がありません。同じ規約は、出力を別のモデルの学習やベンチマークに使うことも禁じています。
• 出力はテキストのみです。 画像や動画は読めますが、返すのはテキストで、ロボットの行動出力はElorianも "work ahead" だとしています。

Glimpseはカスタマーサポートに役立つか？

これは私が最も気にしている問いなので、率直に言います。ビジョンの部分は本当に向いています。顧客は、破損した商品の写真、エラーメッセージのスクリーンショット、不具合の画面録画を送ってきます。テキストモデルには「添付参照」としか見えません。クリップ内で何が変わったかを数え、比較し、追跡できるモデルなら、これらの添付ファイルを回答に変えられるかもしれません。

ただし、今日のサポートチームにとって、Glimpseは完成された解決策ではなく部品です。ヘルプデスク連携はなく、長いチケットのやり取り向けに公開されたコンテキストウィンドウもなく、デフォルトでアップロードが学習に使われるため、顧客の写真を近づける前に有料プランが必要になります。ヘルプデスク側も、Gorgias AI Agent Visionのように独自の画像読み取りを追加しつつあり、添付ファイルの扱いにもZendeskの添付ファイルのサイズ上限のような制約があります。

eeselが痛い思いをして学んだ教訓は、どんな新しいモデルにも当てはまります。稼働中のキューでは、モデル自身に自分を監視させることはできません。破損品の写真について自信満々で誤った回答をするのは、遅い人間の回答より悪い結果です。だからこそ、eeselのすべての導入では、AIが実際の顧客に回答する前に、過去のチケットでシミュレーションを行います。モデル層の選び方は、私のbest support ticket modelガイドで扱っています。またAI ticket classificationは、新しいモデルの最初の仕事としてリスクの低いものです。

誰がElorian Glimpseを試すべきか？

私ならこう判断します。

• 映像にラベルを付けたり、ポリシーの動作を確認したりするロボティクスチーム。 Elorianの表でGlimpseが最も強く、確認あたりのコストも最も安い領域です。まず試してください。
• 短尺動画を大規模にタグ付け・キャプション付けするチーム。 UGC-VideoCapのスコアが高く、出力価格も低いです。自分のクリップで試してください。
• 点検と在庫のカウント。 オープンなカウントは得意ですが、商品画像のカウント（CountQA）は弱めなので、実際の商品写真でテストしてください。
• 長尺動画への質問応答。 AstraとGPT-6.1 Solは、Video-MME v2で明らかに高いスコアです。コストより精度が重要なら、そちらから始めてください。
• 重み、契約、公開された制限が必要なあらゆる用途。 待ってください。Glimpseがプレビューを終えるまでは、オープンモデルやTogetherの他の選択肢を検討してください。

今月登場した、ビジョン対応の新モデルの全体像を追っているなら、Meta Muse Wonder、Reflection AI Beam、GLM-5.3-Flashが、私が取り上げた他のローンチです。

eeselを試す

Glimpseはインフラです。モデルとAPIとトークン単位の請求書です。サポートチケットで使うには、ヘルプデスクとの接続、ヘルプセンターに対する検索、エスカレーションのルール、テストを自分で構築する必要があります。eeselは従業員です。私たちのAIヘルプデスクのチームメイトは、Zendesk、Freshdesk、Gorgiasなどの既存のキューに加わり、過去のチケットやドキュメントから学習します。しかも、一人の顧客に回答する前に、数百件の過去チケットで再生して確認できます。その再生こそ、顧客の写真についての自信満々な誤答を、顧客より先に見つける場所です。

新しいモデルを試すときのようにターミナルから作業したい場合は、eesel CLIが同じチームメイトを操作します。eesel instructionsは常設ルールを読み書きし、eesel approvalsは人の判断待ちのアクションを一覧し、eesel activityは各実行とその理由を表示します。そのため、Claude Codeのようなコーディングエージェントが、リポジトリを管理するのと同じ方法でサポートのチームメイトを管理できます。チケットへの回答ではなくコンテンツを書くなら、同じ顔ぶれにAIブログライターもあります。

開始は無料で、カードは不要です。専用エンドポイント一つの費用を見積もる前に、先月のチケットでeeselを試して、どう回答したかを確認してください。プランは料金ページにあります。