Большинство мультимодальных моделей обрабатывают визуальные данные лишь один раз, формируя первичный набор токенов для дальнейшего рассуждения. Новый Elorian Glimpse, доступный на OpenRouter, меняет этот подход: модель способна многократно «пересматривать» изображения и видео, используя внутреннее «визуальное рабочее пространство» для детального анализа сложных сцен.
Ключевая особенность Glimpse — это способность многократно пересматривать части изображений или видеокадры в процессе рассуждения. Модель уточняет детали, масштабирует области или извлекает конкретные кадры, что критически важно для задач, где однократный анализ приводит к ошибкам. Это помогает в сценариях, требующих глубокого понимания, например, при чтении игровых полей или инструкций по сборке мебели.
Модель поддерживает контекстное окно в 262144 токена. Это вдвое больше, чем у конкурента GPT-4o (128K), и позволяет Glimpse обрабатывать очень длинные тексты, изображения и видео, преобразуя их в текстовый вывод.
Glimpse позиционируется как решение для задач, требующих глубокого визуального понимания, например, в робототехнике или для анализа видеоданных. В небольшом тесте на чтение игровых досок модель показала 8 из 10 правильных ответов против 5 из 10 у Gemini 3.8 Flash.
Стоимость использования Glimpse составляет $0.60 за миллион входных токенов и $3 за миллион выходных токенов. Это ставит её между легкими и средними мультимодальными моделями по цене.
Elorian Glimpse предлагает не просто мультимодальность, а новый подход к визуальному мышлению, который может повысить точность в задачах, требующих детального анализа изображений и видео. Однако вендор не предоставил подробных независимых бенчмарков, подтверждающих превосходство этой «визуальной памяти» над другими моделями.