Elorian, l’entreprise de IA de Palo Alto qui a levé une première série de fonds de 55 millions de dollars à une valeur de 300 millions de dollars avant le lancement d’un produit, a déployé son premier modèle vendredi, selon une information exclusive rapportée par TechCrunch.
Le modèle Glimpse est lancé en tant que preview de recherche avec accès à l’API, et l’interface de chat est réservée aux personnes sur la liste d’attente. Pour l’instant, il s’agit simplement d’une table de résultats et d’une thèse. Quelle est donc la thèse ? Les modèles d’IA actuels, malgré leurs compétences en langage et en code, ne peuvent toujours pas vraiment voir.
La plupart des modèles multimodaux examinent une image une seule fois, la convertissent en tokens, puis raisonnent à partir de ces tokens — comme si l’on décrivait une photo dans sa mémoire. Glimpse, en revanche, revient constamment vers la source. Pendant le raisonnement, il peut couper une région de l’image, extraire des plans spécifiques d’un vidéo, ou exécuter du code pour mesurer ou comparer ce qu’il regarde, un mécanisme que Elorian appelle « espace de découpage visuel ». Pensez à quelqu’un qui pincer pour agrandir une photo téléphonique afin de vérifier ce qu’il pensait avoir vu.
Pour Andrew Dai, ancien chercheur chez Google DeepMind et PDG d’Elorian, l’un des signes les plus clairs que l’IA ne peut toujours pas voir réellement est apparu lors de la soirée aux jeux.
L’an dernier, il a photographié un jeu de société qu’il venait de terminer avec des amis et a demandé à une modèle de frontière qui gagnait. Elle ne pouvait pas répondre. Les jeux de société « ont chacun leur propre langage visuel, chacun ses propres icônes, symboles », a-t-il dit à TechCrunch. « Pour un adulte, il est assez facile de comprendre ce qui se passe avec le moins de texte possible, mais ces modèles ne peuvent pas déduire le sens des symboles. »
« Les humains peuvent regarder les diagrammes IKEA, sans texte, et assembler les meubles IKEA, n’est-ce pas ? Pourquoi les modèles d’IA ne peuvent-ils pas ? » dit-il.
L’approche n’est pas complètement nouvelle – OpenAI a ajouté la fonction de zoom et de crop dans ses modèles o-series en 2025 – mais selon Elorian, le modèle est entièrement construit autour de cette fonction, à bas coût. L’entreprise indique qu’un petit groupe de personnes a entraîné Glimpse sur quelques centaines de GPU, et que le modèle est nettement plus petit que les systèmes comparés.
Le Glimpse coûte 0,60 dollar par million de tokens à l’entrée et 3 dollars par million de tokens à la sortie – c’est moins cher que les modèles de niveau intermédiaire tels que Sonnet et Sol, mais plus cher que les modèles légers tels que Haiku et Luna.
Mais selon les évaluations d’Elorian, Glimpse surpasse même GPT-6 Astra en matière de raisonnement sur le graphique scientifique et de sous-titrage de vidéos courtes, avec des résultats compétitifs pour les autres tâches de raisonnement visuel.
Elorian est sorti de l’anonymat il y a six mois avec un round piloté par Striker Venture Partners, Menlo Ventures et Altimeter Capital, avec la participation de Jeff Dean, scientifique en chef de Nvidia et de Google.
Les cibles initiales sont des entreprises qui possèdent beaucoup de vidéos : sociétés de robotique, laboratoires scientifiques, médias et entreprises créatives. À long terme, Elorian souhaite passer du concept à la réalité. Cela signifie construire un modèle de scène afin de choisir une action, y compris contrôler directement les robots. L’année prochaine, la société vise à créer « le meilleur modèle de raisonnement visuel au monde », un modèle qui dépassera tous les tests de raisonnement visuel.