米パロアルトのスタートアップ Elorian が10月16日、初のAIモデル「Glimpse」を研究プレビューとして公開しました。画像や動画を一度読んで終わりにせず、考えながら何度も見返すのが特徴です。料金は入力100万トークンあたり0.60ドルで、自社評価では一部の映像タスクで GPT-6 Astra を上回りました。CEO は元 Google DeepMind 研究者の Andrew Dai 氏です。「言葉は得意でも、AI はまだ本当には見えていない」という問題意識から生まれたモデルです。
背景と文脈
Elorian は半年前に表に出たばかりの企業です。製品を出す前に5,500万ドルを調達し、評価額は3億ドルに達しました。Menlo Ventures などが主導し、Nvidia や Google の Jeff Dean 氏も出資しています。
Dai 氏が挙げる例は分かりやすいものです。遊び終えたボードゲームを撮影し、どちらが勝っているか最先端モデルに聞いたところ、答えられませんでした。ボードゲームの記号や図像には独自の「視覚言語」があり、大人はすぐ読み取れます。いまのモデルはそこが苦手だと同氏は指摘します。
原因はマルチモーダルモデル（文章と画像など複数の種類のデータを扱えるモデル）の処理方法にあります。多くは画像を一度だけ見てトークン（モデルが扱う文字や画素の小さな単位）に変え、あとは文章で考えます。写真を記憶だけで説明するようなもので、細部を確かめ直せません。OpenAI は2025年、o シリーズに画像を切り出して拡大する推論を加えました。Elorian はこの能力を軸にモデル全体を作ったと説明しています。
技術/ビジネス面
Glimpse の中核は、同社が「視覚の作業スペース」と呼ぶ仕組みです。推論の途中で元の画像に戻り、一部を拡大したり、動画の特定の場面を高いフレームレートで見直したりします。コードを書いて長さを測ったり、画像を比べたりもできます。
Introducing Glimpseでは具体例も示されています。電車の映像では、窓枠を2.2秒から5.13秒まで追い、移動量が縮むことから「減速中」と答えました。鳥の映像では、0.9秒の場面を毎秒14コマで見直し、カメラが切り替わったのか流れたのかを見分けています。
開発体制は小規模です。オープンウェイト（重みが公開された）の基盤モデルを、数百基の GPU で追加学習しました。比べた最先端モデルより、かなり小さいとしています。
同社発表のベンチマークでは、勝ち負けが分かれました。
- 上回った例：WGO Bench（物の操作の場面を理解する評価）で42.70対39.42、UGC-VideoCap（短い動画の説明文の評価）で82.66対80.41
- 下回った例：Video-MME v2（長い動画の理解を測る評価）で56.68対65.27、TOMATO（時間の流れの推論を測る評価）で93.60対96.02
価格は入力0.60ドル、出力3.00ドルです。GPT-6 Astra（入力10ドル）より94%、Claude Opus 5.5（同4ドル）より85%安くなります。ロボットの動作計画の例では、1回あたりの費用が Astra の0.249ドルに対し0.035ドルでした。API はすぐ使え、チャット画面は順番待ちです。
これからどうなるか
Elorian が最初に狙うのは、大量の映像を持つ企業です。ロボット、研究所、メディア、クリエイティブ分野が対象になります。長期的には「見る」から「動かす」へ進み、場面を理解して行動を選び、ロボットを直接動かすことを目指しています。ただし公式ページ自身が、ロボット制御はまだこれからの課題だと認めています。
注意点もあります。数値はすべて自社評価で、競合との条件がそろっていない項目もあります。多くの評価では首位ではありません。研究プレビューのため、仕様が変わる可能性もあるでしょう。
開発者にとっては、映像処理のコストを見直すきっかけになります。監視カメラの記録の要約や、作業動画からの手順抽出を大型モデルで回すと高くつきます。Glimpse のような専用モデルに振り分ければ、費用を数分の一に抑えられる可能性があります。まずは自分のデータで精度を比べてから判断するとよいでしょう。
まとめ
Elorian の Glimpse は、推論中に画像や動画を見返して確かめる映像特化のモデルです。料金は大型モデルの数分の一で、一部の評価で GPT-6 Astra を上回りました。ただ数値は自社発表で、ロボット制御も今後の課題です。第三者の検証が待たれます。
