Elorian 发布首个模型 Glimpse,定位是在图像上推理(reasoning with images),而不只是描述或识别图像。
「谈论图像」和「用图像推理」的区别
多数多模态模型做的是前者:把图转成描述,再在描述上推理。
这个路径的代价在细节——图里的坐标轴刻度、表格里的数字、零件标注,转成文字时都会损失或错位。一旦转录错了,后面的推理再严谨也没用。
如果模型直接在图像表征上做多步推理,那么「读出这张图说明了什么」就不再依赖一次易错的转录。
官方给的证据
Elorian 称 Glimpse 在科学图表推理与短视频描述上超过 GPT-6 Astra,其他视觉推理任务上表现相当。
科学图表是个合适的测试场景:它要求同时读坐标、比对曲线、理解单位,还要做算术。这里的错误通常不是「看不懂」,而是「看到了但算错」。
这类能力打开的场景
如果上述成立,受益的不是「生成图片」这类应用,而是:
- 仪器读数:示波器、色谱、心电图的判读
- 票据与表单:版式不固定、字段位置会变的那种
- 工程图纸:尺寸、公差、装配关系
- 教育:学生拍照提问的题目,往往依赖图形的空间关系
保留意见
评测由 Elorian 自己给出,且是与竞品的公开版本比。视觉推理的评测集很容易被过拟合,真实水平要在自家业务的图上试——尤其是有噪声、有手写、有反光的那种,而不是论文里的干净图表。
update 2026.10.16