Elorian's Glimpse tua lại video trước khi trả lời

Câu thú vị nhất trong bài đăng ra mắt của Elorian dành cho Glimpse không phải là về một phép đo hiệu năng. Mà là về một cửa sổ 0,9 giây. Trong một trong các trace ví dụ mà công ty công bố vào ngày 16 tháng 10 năm 2026, Glimpse chạy lượt đầu tiên trên một clip ở tốc độ khoảng 8 khung hình/giây, đưa ra một kết quả đọc tạm thời, rồi quay lại và quét lại chín phần mười giây đó ở khoảng 14 khung hình/giây để quyết định xem nó đang nhìn vào một cú lia máy hay một cú cắt cảnh. Một trace thứ hai, trong cùng bài đăng, bám theo một cạnh cửa sổ duy nhất từ khoảng giây 2,2 của clip cho đến khi nó gần như dừng lại ở giây 5,13. Khi một mô hình xem trước nằm trong luồng production, những kiểu lỗi đáng quan tâm là những kiểu đã được ghi nhận trong kho lưu trữ sự cố, nơi chúng tôi theo dõi những kiểu đã thực sự xảy ra.

Đó là lời chào hàng, và đây thực sự là một lời chào hàng khác biệt. Glimpse là mô hình đầu tiên của Elorian: một hệ thống suy luận thị giác mà công ty mô tả là suy luận trong không gian thị giác thay vì chuyển một hình ảnh thành ngôn ngữ rồi suy luận ở đó. Bản thân Elorian không hề mơ hồ — nó chính thức lộ diện vào tháng 4 năm 2026 với Andrew Dai, một cựu nhà nghiên cứu Google, đứng sau, cùng 55 triệu đô la từ Striker Ventures, Menlo Ventures và Altimeter và sự tham gia của NVIDIA, 49 Palms và Jeff Dean, và Forbes đã đưa nó vào danh sách Next Billion-Dollar Startups vào tháng 7. Glimpse là một bản xem trước nghiên cứu, hiện có sẵn qua API và giao diện trò chuyện, và đây là thứ đầu tiên công ty thực sự tung ra.

“Tua lại” có nghĩa gì, về mặt cơ học

Elorian gọi bề mặt hiển thị là không gian nháp thị giác. Mô tả của công ty về những gì mô hình làm bên trong đó rất cụ thể: nó có thể phóng to vào một vùng, quan sát một khoảng thời gian ngắn ở tốc độ khung hình dày hơn, hoặc theo dõi một đặc điểm xuyên thời gian. Bài đăng mô tả hành vi này là “đặt câu hỏi với ấn tượng đầu tiên của nó, rồi quay lại với bằng chứng thị giác trước khi trả lời.”

Có hai thuộc tính của nó đáng được tách bạch, bởi vì chúng thường bị đánh đồng với nhau.

Đầu tiên là lấy mẫu tái nhậpCác mô hình hiểu video thông thường lấy mẫu khung theo một lịch trình cố định — thường là một lưới đều, đôi khi là heuristic khung hình chính — và bất cứ thứ gì nằm giữa hai khung được lấy mẫu đều biến mất. Glimpse có thể dành thêm tính toán cho một khoảng cụ thể sau khi nó đã xem toàn bộ clip. Bước tăng từ 8 lên 14 fps chính là khả năng đó ở dạng nhỏ nhất. Nó đặc biệt quan trọng đối với đúng những câu hỏi mà việc lấy mẫu cố định thất bại: lia máy hay cắt cảnh, liệu hai lần xuất hiện của một đối tượng có phải là cùng một đối tượng không, điều gì đã xảy ra trong nửa giây xung quanh một sự kiện.

Điều thứ hai là bản thân dấu vết. Nền tảng của Elorian hiển thị không gian nháp của mô hình khi nó suy luận, nghĩa là bằng chứng cho một câu trả lời bao gồm cả nơi mà mô hình đã xem xét. Đó là một loại dấu vết kiểm toán khác với một chuỗi token văn bản, và đó là phần có giá trị rõ ràng về sau — một câu trả lời về một công trường xây dựng đi kèm với các mốc thời gian mà nó dựa vào thì có thể được xem xét lại theo cách mà một đoạn văn xuôi không có được.

Bên dưới cả hai, công ty nói rằng mô hình đã được huấn luyện từ đầu đến cuối để sử dụng các công cụ đa phương thức — viết mã, biến đổi hình ảnh, xem video — và có thể tạo ra cùng phối hợp các tác nhân phụ trao đổi văn bản, các sản phẩm trực quan và biểu diễn nội bộ. Theo cách nói của Elorian, nó được hậu huấn luyện trên một mô hình nền trọng số mở bởi một nhóm nhỏ với “chỉ vài trăm GPU”, và được định vị là “một mô hình nhỏ hơn và rẻ hơn đáng kể” so với các hệ thống tiên phong mà nó lấy làm chuẩn so sánh.

Nửa phần thực sự quan trọng của bảng benchmark

Trang kết quả của chính Glimpse công bố một bảng so với GPT-6 Astra, và đây là những con số do nhà cung cấp báo cáo, không có tái lập độc lập. Điều bất thường là mức độ pha trộn của bảng này. Ở các tác vụ đo lường, Glimpse thắng hoặc hòa. Ở các tác vụ suy luận khó hơn, nó thua.

• WGO Bench (các sự kiện thao túng) — Glimpse 42.70 so với GPT-6 Astra 39.42.

• CharXiv-R — 92,90 so với 92,10.

• UGC-VideoCap — 82,66 so với 80,32.

• FSC-147 — 83.36 so với 82.02.

• ERQA — 83.75, ngang bằng với Astra.

• E.T. Bench — 63.55, vượt qua mức 63.45 của G​emini 3.8 Flash.

• BabyVision — 95,36 so với Astra 97,68.

• DREAM-1K — 76.04 so với 79.05.

• TOMATO — 93,60 so với 96,02.

• Video-MME v2 — 56,68 so với Astra 64,06 và GPT-6.1 Sol 65,27.

• CountQA — 82,66 so với 86,42 cho cả Astra và Sol.

• HSS — 46.36 so với Astra 53.6.

Có một chú thích gắn với bảng mà người đọc nên áp dụng cho mỗi hàng trong số đó: các kết quả sử dụng mức nỗ lực tư duy cao nhất với bộ khung tác nhân gốc của mô hình, và với hầu hết các đánh giá video, Sol và Opus 5.5 được chạy ở mức nỗ lực cao thay vì tối đa. Hàng HSS trộn lẫn các con số do bài báo công bố từ những phòng thí nghiệm khác. Không điều nào trong số này làm bảng trở nên vô hiệu, nhưng nó có nghĩa là phép so sánh đặt Glimpse ở cấu hình nỗ lực tốt nhất của nó đối đầu với một số đối thủ ở mức thấp hơn mức của họ — và Glimpse vẫn thua ở nửa nặng về suy luận.

Cách hiểu trung thực về sự tách biệt đó thì hẹp và hữu ích. Suy luận nhìn lại (re-look) mang lại cho bạn nhận thức tốt hơn: đếm, mô tả, đọc biểu đồ, theo dõi một vật nhỏ đang chuyển động. Nó không mang lại cho bạn thứ mà HSS đo lường, tức là điều mà một cảnh hàm ý. Nhìn nhiều hơn không phải là hiểu nhiều hơn, và chính bảng của mô hình là bằng chứng.

Tuyên bố về giá ấy thực chất đang khẳng định điều gì

Glimpse có giá $0.60 cho mỗi triệu token đầu vào và $3.00 cho mỗi triệu token đầu ra. Elorian trình bày rõ so sánh trong bài đăng của chính mình: thấp hơn 94% so với GPT-6 Astra ở mức $10/$50, thấp hơn 85% so với C​laude Opus 5.5 ở mức $4/$20, thấp hơn 70% so với GPT-6.1 Sol ở mức $2/$10, và thấp hơn 20% so với mức giá giới thiệu $0.75/$3.75 của G​emini 3.8 Flash. Bài đăng cũng đưa ra một con số ở cấp độ tác vụ — một episode lập kế hoạch robot tốn $0.035 trên Glimpse so với $0.249 trên Astra.

Đó là những con số của nhà cung cấp về mô hình của chính nhà cung cấp đó, và chúng không được kiểm chứng độc lập. Dù vậy, vẫn có hai điều về chúng đáng lưu ý. Thứ nhất, mọi tuyên bố về tỷ lệ phần trăm đều được đo so với những mẫu flagship hàng đầu, chứ không phải so với phân khúc giá rẻ của thị trường; nếu chỉ xét riêng lượng token thì Glimpse nằm đúng ở phân khúc trung cấp, và bài viết bên cạnh bài này về Qwen 3.8 sẽ đi sâu vào điều gì xảy ra khi bạn đặt nó cạnh bậc giá theo khối lượng của Alibaba thay vào đó. Thứ hai, bảng giá cho một bản xem trước nghiên cứu có thể thay đổi bất cứ lúc nào, và đây chính là chỗ mà lớp định tuyến xứng đáng được nhắc đến: OrcaRouter chuyển tiếp nguyên giá niêm yết của nhà cung cấp mà không cộng thêm gì trên mỗi token, nên khi nhà cung cấp thay đổi giá một mô hình mà chúng tôi phục vụ thì phía chúng tôi sẽ cập nhật ngay trong cùng ngày, và cơ chế chuyển đổi dự phòng tự động nghĩa là một bản xem trước chưa được kiểm chứng có thể nằm phía sau một luồng production thay vì nằm phía trước nó. Hiện tại Glimpse chưa có trong danh mục của chúng tôi — bạn dùng nó qua API và giao diện chat của chính Elorian — nên đó là một tuyên bố về cách chúng tôi định giá, chứ không phải một lời khẳng định rằng chúng tôi lưu trữ nó.

Bài benchmark mà Glimpse thua chính là bài của riêng nó.

Chín ngày trước khi mô hình ra mắt, Elorian đã công bố một bộ đánh giá. Humanity's Sixth Sense, được xây dựng với sự hợp tác của Scale AI, đo lường khả năng lý luận thị giác ngầm — những gì một khung cảnh gợi ra thay vì những gì nó thể hiện. Bộ này gồm 522 tác vụ, 288 ảnh tĩnh và 234 clip video ngắn, 17,6 giờ video, được chấm điểm bằng các tiêu chí do con người viết trên bốn lĩnh vực. Hai mươi lăm mô hình từ tám công ty đã được kiểm nghiệm.

Sự chênh lệch chính là câu chuyện. Mức cơ sở của con người là 93,1%. Mô hình được công bố tốt nhất đạt 53,6. Mô hình trung vị đạt 30,9%, và một đối chứng mù đã loại bỏ phương tiện vẫn đạt 6,6% — điều này cho bạn biết có bao nhiêu phần của nhiệm vụ có thể trả lời được mà không cần nhìn. Trong số các lỗi được dán nhãn, 94% bắt nguồn từ việc nhìn hoặc suy diễn thay vì lý luận: 53% đọc sai, 41% bỏ sót hàm ý, khoảng 5% lỗi logic. Trong một trường hợp, việc tăng nỗ lực lý luận từ high lên xhigh khiến một mô hình mất 14 điểm.

Glimpse đạt 46.36 trên đó. Điểm này cao hơn hẳn mức trung vị và cao hơn 44.6 của C​laude Opus 5.5 lẫn 46.6 của GPT-6.1 Sol — nhưng lại xếp sau 53.6 của GPT-6 Astra, và trên một benchmark do chính công ty xây dựng. Việc công bố một benchmark mà mô hình của chính bạn không thể đứng đầu là một tín hiệu về độ tin cậy, và nó cũng cho bạn biết chính xác điều mà tính năng rewind không khắc phục được.

Những gì Elorian chưa xuất bản

Đây là phần mà hầu hết các bài đưa tin về ra mắt sẽ bỏ qua, nên nó thuộc về đây một cách thẳng thắn. Bài đăng về Glimpse không đưa ra số lượng tham số. Không có cửa sổ ngữ cảnh. Không có các biến thể kích thước mô hình. Không có mô tả về kiến trúc ngoài "được huấn luyện hậu kỳ trên một mô hình nền trọng số mở", vốn không nêu tên mô hình nền. Không có dữ liệu tiền huấn luyện. Không có giới hạn token đầu ra, không có giới hạn tần suất, và không có tài liệu về endpoint API ngoài chính nền tảng đó.

Điều đó không có gì lạ đối với một bản xem trước nghiên cứu, và đó không phải là lý do để không tin tưởng bất cứ điều gì ở trên. Đó là lý do để cẩn trọng với một loại tuyên bố cụ thể: bất kỳ con số nào về kích thước, ngữ cảnh hay thông lượng của Glimpse đang lan truyền trong tuần này đều là ước tính chứ không phải là thông tin được công bố, và việc coi một ước tính như một đặc tả là cách một kế hoạch năng lực đi sai.

Công ty cũng nói rõ về những gì mô hình chưa làm được. Việc tạo hành động cho robot được liệt kê là công việc trong tương lai; tái dựng đã hiệu chỉnh và điều khiển robot được mô tả là “công việc phía trước”. Ở ví dụ đã giải về áp suất lốp, câu trả lời được gọi là dự đoán định tính từ một bức ảnh mà không mô phỏng quỹ đạo hay lực va chạm. Và một số ví dụ được dán nhãn là câu trả lời tham chiếu đã được duyệt thay vì dấu vết mô hình được ghi lại, với chú thích và dấu vết chuyển tiếp được cô đọng để công bố — một sự tiết lộ đáng được tôn trọng thay vì đọc lướt qua.

Ai nên làm điều gì đó về việc này ngay bây giờ?

Nếu bạn có công việc video mà kiểu lỗi ở đó mang tính thời gian chứ không phải ngữ nghĩa — danh tính đối tượng xuyên qua một cắt cảnh, một sự kiện trong cửa sổ dưới một giây, một số đếm thay đổi khi có thứ gì đó che khuất — thì Glimpse là mô hình được host đầu tiên có cơ chế được nêu rõ trực tiếp nhắm vào điều đó, và việc đăng ký miễn phí khiến bài kiểm tra trở nên rẻ. Các vết cũng khiến lỗi trở nên dễ đọc: nếu không gian nháp cho thấy mô hình chưa bao giờ quét lại khoảng thời gian quan trọng, thì bạn đã học được điều gì đó về pipeline của mình chứ không chỉ về mô hình.

Nếu nhu cầu của bạn là suy luận về điều mà một cảnh hàm ý, thì hãy chờ đã. Bảng HSS của chính nhà cung cấp nói rằng thao tác tua lại không đưa bạn tới được đó, và không có gì trong bản phát hành gợi ý rằng phiên bản kế tiếp sẽ thu hẹp khoảng cách 7 điểm chỉ trong một bước. Hãy theo dõi ba điều trong hai tháng tới: liệu Elorian có công bố mô hình nền mà nó được xây dựng dựa trên đó hay không, liệu có bất kỳ harness độc lập nào tái tạo được một hàng của bảng đó hay không, và liệu cửa sổ ngữ cảnh có hóa ra đủ lớn để chứa đoạn video mà một quy trình thực tế đưa cho nó hay không. Cả ba hiện đều đang bỏ trống, và cả ba quyết định liệu Glimpse là một năng lực hay chỉ là một bản demo.

Không có gì trong số đó là giả thuyết: các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này đều được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.