- Elorianは、タスクを解決しながら画像や動画を繰り返し参照する視覚推論モデル「Glimpse」をリリースした。
- 同社によると、Glimpseは複数のベンチマークでGPT-6 Astraと同等かそれ以上の性能を発揮しつつ、トークンあたりのコストは94%削減している。
- Glimpseは研究プレビュー段階にあり、そのベンチマーク結果はまだ独立して検証されていない。
Elorian Glimpseを 10月16日にリリースし、その視覚推論能力が大幅な価格低下でより大規模なAIモデルと競合できると主張した。
TechCrunchによると、最初のモデルは開発者向けAPIアクセスとチャットインターフェースのウェイトリストを含む研究プレビューです。このテクノロジーを試すことを検討している企業にとって、実際の問題はGlimpseが現実の状況で同様のパフォーマンスを発揮できるかどうかです。
ビジュアルスクラッチスペースの提案
画像を分析してから主にテキストで結論を出すモデルとは対照的に、Glimpseは視覚的証拠に戻り、詳細を詳しく調べ、動画フレームを検査し、任意のコードを実行できます。同社はこれを「ビジュアルスクラッチスペース」と呼んでいます。
Google DeepMindの元研究者でありElorianのCEOであるAndrew Dai氏は、彼がプレイしていたボードゲームの勝者をAIモデルに判定させた際の話を紹介しました。AIは人間が何の苦労もなく理解できる異なるゲームの記号の意味を解読できませんでした。
人間はテキストのないIKEAの図を見て、IKEAの家具を組み立てることができますよね？ではなぜAIモデルはできないのでしょうか？
— Andrew Dai、TechCrunchへのインタビューで語った内容
このコンセプトは以前にも適用されていました。OpenAIは2025年にクロップ＆ズームのロジックをリリースしました。2026年8月に更新されたCharToolの研究論文では、画像の切り抜きとコードベースの計算が組み合わされました。Elorianの場合、オープンウェイトのベースモデルを使用し、実装には数百台のGPUのみが用いられています。
Elorianが報告する数値と、強調しない数値
Glimpseの価格体系は、入力トークン100万あたり0.60ドル、出力100万あたり3ドルで、Astraが請求する金額と比較して94%も低いと報じられています。ElorianはこれまでNvidiaやGoogleのチーフサイエンティストであるJeff Deanを含む投資家から5,500万ドルの資金調達を行い、企業価値は3億ドルと評価されています。
エロリアンのレポートによると、GlimpseはCharXiv-R（92.90対92.10）、短尺動画のキャプション生成、オープンボキャブラリによる数え上げ、および操作イベントの理解など、いくつかの面でGPT-6 Astraを上回るパフォーマンスを示しています。また、両システムは具現化された空間推論において同様の結果を記録しました。
しかしながら、Glimpseは密集動画のキャプション生成、微細な時間的推論、および商品画像の数え上げではAstraに劣りました。さらに、シーン理解に関連するエロリアンのベンチマークであるHSSでは、Glimpseのスコアは46.36、Astraのスコアは53.6でした。人間のベースラインは93.1%です。GlimpseとAstraの比較はまだ独立して検証されていません。
現在のモデルが実際に失敗する箇所
独立した研究により、精度がいかに重要かが示されています。バークリー校、プリンストン大学、Google DeepMindによるRoboVistaは、最も強力なモデルでも474件のロボット関連質問に対して正解したのはわずか56.5%にとどまると発見しました。
一方、InspecSafe-V1は2,239か所の現場から41台のロボットに関する5,013件の検査事例を集めました。この研究では、反射光、遮蔽、センサーノイズといった現実世界の課題が浮き彫りになりました。別のチャート研究においても、微細な視覚知覚が持続的な弱点であることが指摘されています。
精度が維持されれば、大きな市場となる
国際ロボット連盟によると、2025年の世界の産業用ロボットの稼働台数は約500万台で、前年比9%増となった。60万台以上の新しいロボットが設置され、周囲を理解し対応する機械への需要が高まっていることが示された。
この需要はロボットトレーニングへの投資も牽引している。Cryptopolitanの報道によれば、LGはNvidiaのツールを使用して、2027年初頭に予定されている人間型ロボットのデモンストレーションに先駆けて、2026年末までに10万時間のロボット訓練データを収集する計画だ。本プロジェクトはElorianとは無関係だが、ロボティクスにおいて視覚的理解がいかに重要になりつつあるかを示している。
Elorianは最終的に視覚的推論を超えて直接ロボット制御へと移行することを目指しており、Glimpseはまだこの機能を備えていません。当面の間、企業がモデルを採用するか否かは、現実の環境での精度と安全性、既存システムとの統合の容易さ、そしてコストが競争力を持続できるかに左右されます。ベンチマークスコアが高いだけでは不十分です。
最も賢明な暗号通貨の専門家たちはすでに私たちのニュースレターを読んでいます。あなたも参加しませんか？ 彼らに加わりましょう。
よくある質問
ElorianのGlimpseとは何か、また画像をどのように推論するのか？
Glimpseは視覚的推論モデルであり、推論の過程で領域にズームインしたり、動画からフレームを取得したり、コードを実行して視覚情報を測定したりすることができます。このループは、Elorianによって「ビジュアルスクラッチスペース」と呼ばれており、画像を一度テキストに変換して記憶から推論する従来のアプローチとは異なります。
Glimpseのコストはいくらで、Elorianはどのように資金調達を行ったのか？
Glimpseの入力トークン100万個あたり0.60ドル、出力トークン100万個あたり3.00ドルで提供されており、ElorianはStriker Venture Partners、Menlo Ventures、Altimeter Capitalが共同リードし、NvidiaとJeff Deanが参加した5,500万ドルのシードラウンドを、企業価値3億ドルで調達しました。
現在のAIモデルはロボットや視覚タスクをどの程度処理できるのか？
独立テストでは大きなギャップが示されています。474の専門的なロボット質問からなるRoboVistaベンチマークでは、最も評価されたモデルはわずか56.5%を獲得しただけでした。また、ElorianのHSSシーン理解ベンチマークでは、トップモデルであるGPT-6 Astraが93.1%という人間のベースラインに対して53.6%にとどまりました。
イビアム・ワイヤス
イビーム・ワイヤスは2019年から暗号資産ニュースを担当しています。ナイジェリア国立公開大学でコンピュータサイエンスを専攻し、Coinfomania、Crypto News Australia、AltcoinBuzzなど、さまざまな暗号資産ニュースプラットフォームで執筆活動を行ってきました。コンピュータサイエンスのバックグラウンドを活かし、現在は暗号資産、ロボティクス、長寿に関するニュースに注力しています。
