Elorian's Glimpse spoelt de video terug voordat het antwoordt

De interessantste zin in Elorians lanceringspost voor Glimpse gaat niet over een benchmark. Het gaat over een venster van 0,9 seconde. In een van de uitgewerkte traces die het bedrijf op 16 oktober 2026 publiceerde, voert Glimpse een eerste pass over een clip uit met ongeveer 8 frames per seconde, komt tot een voorlopige lezing, en gaat dan terug en herscant die negen tienden van een seconde met ongeveer 14 frames per seconde om te beslissen of het naar een camerapan of een cut kijkt. Een tweede trace, in dezelfde post, volgt één vensterrand vanaf ongeveer 2,2 seconden in een clip totdat deze bijna tot stilstand komt op 5,13 seconden. Wanneer een previewmodel in een productiepad zit, zijn de faalmodi die ertoe doen degene die al zijn gelogd in het incidentenarchief, waar we de gevallen bijhouden die zich daadwerkelijk hebben voorgedaan.

Dat is de pitch, en het is een wezenlijk andere. Glimpse is het eerste model van Elorian: een visueel redeneersysteem dat het bedrijf omschrijft als redeneren in de visuele ruimte in plaats van een afbeelding om te zetten in taal en daar te redeneren. Elorian zelf is niet obscuur — het kwam in april 2026 uit stealth met Andrew Dai, een voormalig Google-onderzoeker, aan het roer, met $55 miljoen van Striker Ventures, Menlo Ventures en Altimeter en deelname van NVIDIA, 49 Palms en Jeff Dean, en Forbes zette het in juli op zijn Next Billion-Dollar Startups-lijst. Glimpse is een research preview, nu beschikbaar via een API en een chatinterface, en het is het eerste dat het bedrijf daadwerkelijk heeft uitgebracht.

Wat "rewinding" mechanisch betekent

Elorian noemt het weergaveoppervlak de visuele kladruimte. De beschrijving die het bedrijf geeft van wat het model daarbinnen doet, is specifiek: het kan inzoomen op een gebied, een kort interval met een hogere framesnelheid bekijken, of één kenmerk in de tijd volgen. De post omschrijft het gedrag als "het in twijfel trekken van zijn eerste indruk, en terugkeren naar het visuele bewijs voordat het antwoordt."

Twee eigenschappen daarvan verdienen het om apart te worden gehouden, omdat ze met elkaar worden verward.

Het eerste is re-entrante sampling. Gewone modellen voor videobegrip samplen frames volgens een vast schema — vaak een uniform raster, soms een keyframe-heuristiek — en alles wat tussen twee gesamplede frames valt, is verdwenen. Glimpse kan extra rekenkracht besteden aan een specifiek interval nadat het de hele clip al heeft gezien. De verhoging van 8 naar 14 fps is die capaciteit in zijn kleinste vorm. Het is het belangrijkst bij precies de vragen waarop vaste sampling faalt: zwenken of knippen, of twee verschijningen van een object hetzelfde object zijn, wat er gebeurde in de halve seconde rond een gebeurtenis.

Het tweede is de trace zelf. Het platform van Elorian toont de scratchruimte van het model terwijl het redeneert, wat betekent dat het bewijs voor een antwoord omvat waar het model heeft gekeken. Dat is een ander soort audittrail dan een keten van teksttokens, en het is het deel met duidelijke downstreamwaarde — een antwoord over een bouwplaats dat vergezeld gaat van de tijdstempels waarop het zich baseerde, is controleerbaar op een manier waarop een alinea proza dat niet is.

Aan de basis van beide zegt het bedrijf dat het model end-to-end is getraind om multimodale tools te gebruiken — code schrijven, afbeeldingen transformeren, video bekijken — en subagenten kan aanmaken en coördineren die tekst, visuele artefacten en interne representaties uitwisselen. Het werd, in de woorden van Elorian, post-getraind op een open-weights-basismodel door een klein team met "slechts een paar honderd GPU's", en wordt gepositioneerd als "een aanzienlijk kleiner en goedkoper model" dan de frontier-systemen waartegen het wordt gebenchmarkt.

De helft van de benchmarktabel die ertoe doet

Glimpses eigen resultatenpagina publiceert een tabel tegenover GPT-6 Astra, en dit zijn door de leverancier gerapporteerde cijfers zonder onafhankelijke reproductie. Wat ongewoon is, is hoe gemengd de tabel is. Bij de meettaken wint Glimpse of eindigt gelijk. Bij de moeilijkere inferentietaken verliest Glimpse.

• WGO Bench (manipulatiegebeurtenissen) — Glimpse 42,70 vs GPT-6 Astra 39,42.

• CharXiv-R — 92,90 vs 92,10.

• UGC-VideoCap — 82,66 vs 80,32.

• FSC-147 — 83,36 vs 82,02.

• ERQA — 83,75, gelijk met Astra.

• E.T. Bench — 63,55, voor op de 63,45 van G​emini 3.8 Flash.

• BabyVision — 95,36 vs. Astra 97,68.

• DREAM-1K — 76.04 vs 79.05.

• TOMATO — 93,60 vs 96,02.

• Video-MME v2 — 56,68 vs. Astra 64,06 en GPT-6.1 Sol 65,27.

• CountQA — 82,66 tegenover 86,42 voor zowel Astra als Sol.

• HSS — 46,36 vs Astra 53,6.

Er hangt een voetnoot aan de tabel die de lezer bij elk van die rijen in gedachten moet houden: de resultaten gebruiken de hoogste denkinspanning met de native agent-harness van het model, en voor de meeste video-evaluaties werden Sol en Opus 5.5 op hoge in plaats van maximale inspanning gedraaid. De HSS-rij mengt er cijfers uit papers van andere labs in. Niets hiervan maakt de tabel ongeldig, maar het betekent dat de vergelijking Glimpse in zijn best-effortconfiguratie tegenover meerdere concurrenten plaatst die op iets minder dan hun best-effort draaien — en Glimpse verliest nog steeds de inferentie-intensieve helft.

De eerlijke lezing van die splitsing is smal en nuttig. Opnieuw-kijken-redeneren levert je een beter waarnemingsvermogen op: tellen, beschrijven, grafieken lezen, een klein object door beweging heen volgen. Het levert je niet het ding op dat HSS meet, namelijk wat een scène impliceert. Meer kijken is niet meer begrijpen, en de tabel van het model zelf is het bewijs.

Wat de prijsclaim eigenlijk claimt

Glimpse kost $0,60 per miljoen inputtokens en $3,00 per miljoen output. Elorian zet de vergelijking uiteen in zijn eigen bericht: 94% goedkoper dan GPT-6 Astra tegen $10/$50, 85% goedkoper dan Claude Opus 5.5 tegen $4/$20, 70% goedkoper dan GPT-6.1 Sol tegen $2/$10, en 20% onder het introductietarief van Gemini 3.8 Flash van $0,75/$3,75. Het bericht geeft ook een cijfer op taakniveau — één robotplanning-episode kostte $0,035 op Glimpse tegenover $0,249 op Astra.

Dat zijn de cijfers van de leverancier over het model van de leverancier, en ze zijn niet onafhankelijk gecontroleerd. Twee dingen eraan zijn toch het vermelden waard. Het eerste is dat de percentageclaims allemaal zijn gemeten tegen de frontier-topmodellen, niet tegen het goedkope eind van de markt; op tokens alleen zit Glimpse duidelijk in het middensegment, en het artikel naast dit over Qwen 3.8 werkt uit wat er gebeurt als je het in plaats daarvan naast Alibaba's volumelaag zet. Het tweede is dat een prijslijst bij een research preview op elk moment kan veranderen, en dit is de enige plek waar de routeringslaag zijn vermelding verdient: OrcaRouter geeft de lijstprijs van de provider door zonder iets per token toe te voegen, dus een prijswijziging van een leverancier voor een model dat wij aanbieden, is dezelfde dag live aan onze kant, en automatische failover betekent dat een onbewezen preview achter een productiepad kan zitten in plaats van ervoor. Glimpse staat vandaag niet in onze catalogus — je krijgt het via Elorian's eigen API en chatinterface — dus dat is een uitspraak over hoe wij prijzen, niet een claim dat wij het hosten.

De benchmark waarop Glimpse verloor, is zijn eigen

Negen dagen voordat het model werd uitgebracht, publiceerde Elorian een benchmark. Humanity's Sixth Sense, ontwikkeld in samenwerking met Scale AI, meet impliciet visueel redeneren — wat een scène suggereert in plaats van wat die stelt. Het bestaat uit 522 taken, 288 stilstaande beelden en 234 korte videoclips, 17,6 uur video, beoordeeld met door mensen geschreven rubrics over vier domeinen. Vijfentwintig modellen van acht bedrijven werden getest.

De spreiding is het verhaal. De menselijke baseline is 93,1%. Het best gepubliceerde model komt uit op 53,6. Het mediane model scoort 30,9%, en een blinde controle waarbij de media zijn weggelaten scoort nog steeds 6,6% — wat je vertelt hoeveel van de taak beantwoordbaar is zonder te kijken. Van de gelabelde fouten is 94% toe te schrijven aan zien of afleiden in plaats van aan redeneren: 53% verkeerd lezen, 41% gemiste implicaties, ongeveer 5% logische fouten. In één geval kostte het verhogen van de redeneerinspanning van high naar xhigh een model 14 punten.

Glimpse scoort 46,36 daarop. Dat is ruim boven de mediaan en boven de 44,6 van Claude Opus 5.5 en de 46,6 van GPT-6.1 Sol — maar achter de 53,6 van GPT-6 Astra, en dat op een benchmark die het bedrijf zelf heeft gebouwd. Een benchmark publiceren die je eigen model niet weet te overtreffen is een geloofwaardigheidssignaal, en het vertelt je ook precies wat de rewind niet oplost.

Wat Elorian niet heeft gepubliceerd

Dit is het onderdeel dat de meeste berichtgeving rond de lancering zal overslaan, dus het hoort hier gewoon te staan. De Glimpse-post geeft geen aantal parameters. Geen contextvenster. Geen varianten qua modelgrootte. Geen beschrijving van de architectuur verder dan "post-getraind op een open-weights basismodel", waarbij het basismodel niet wordt genoemd. Geen pretrainingsgegevens. Geen limieten voor uitvoertokens, geen snelheidslimieten, en geen API-endpointdocumentatie verder dan het platform zelf.

Dat is niet ongewoon voor een onderzoekspreview, en het is geen reden om alles hierboven te wantrouwen. Het is een reden om voorzichtig te zijn met één specifiek soort bewering: elk cijfer voor de omvang, context of doorvoer van Glimpse dat deze week de ronde doet, is een schatting en geen onthulling, en een schatting als specificatie behandelen is hoe een capaciteitsplan misgaat.

Het bedrijf is ook expliciet over wat het model nog niet doet. Het genereren van robotacties staat als toekomstig werk vermeld; gekalibreerde reconstructie en robotbesturing worden beschreven als "werk dat nog voor ons ligt." In het uitgewerkte voorbeeld over bandenspanning wordt het antwoord een kwalitatieve voorspelling op basis van een foto genoemd, waarbij geen traject of impactkracht is gesimuleerd. En sommige voorbeelden zijn aangeduid als nagekeken referentieantwoorden in plaats van vastgelegde modeltraces, waarbij bijschrift- en overgangstraces voor publicatie zijn ingekort — een onthulling die respect verdient in plaats van er vluchtig doorheen te lezen.

Wie zou hier nu iets aan moeten doen?

Als je videowerk hebt waarbij de faalmodus temporeel is in plaats van semantisch — objectidentiteit over een cut heen, een gebeurtenis binnen een venster van minder dan een seconde, een telling die verandert wanneer iets occlusie veroorzaakt — dan is Glimpse het eerste gehoste model waarvan het aangegeven mechanisme zich direct daarop richt, en de gratis aanmelding maakt de test goedkoop. De traces maken de fout ook inzichtelijk: als de scratchruimte laat zien dat het model het interval dat ertoe deed nooit opnieuw heeft gescand, heb je iets geleerd over je pipeline en niet alleen over het model.

Als je behoefte inferentie is over wat een scène impliceert, wacht dan. De eigen HSS-tabel van de leverancier zegt dat de rewind je daar niet brengt, en niets in de release suggereert dat de volgende versie een gat van 7 punten in één stap zal dichten. Let in de komende twee maanden op drie dingen: of Elorian het basismodel publiceert waarop het is gebouwd, of een onafhankelijke harness een rij uit die tabel reproduceert, en of het contextvenster groot genoeg blijkt te zijn om de video te bevatten die een echte workflow erin stopt. Alle drie zijn momenteel blanco, en alle drie bepalen of Glimpse een capaciteit of een demo is.

Niets daarvan is hypothetisch: de gedocumenteerde AI-fouten en agent-incidenten achter releases zoals deze zijn verzameld in the OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en markering voor betwisting bevat.