مدل Glimpse از Elorian؛ استدلال بصری با ۹۴٪ هزینه‌ی کمتر از GPT-6 Astra

استارتاپ Elorian با مدل Glimpse ادعا می‌کند می‌شود تصویر و ویدیو را وسط استدلال دوباره بررسی کرد و هزینه را تا ۹۴ درصد پایین آورد. در این مقاله ادعاها، قیمت‌ها و محدودیت‌های این مدل را بدون هیاهو بررسی می‌کنیم.

۱. Glimpse دقیقاً چیست؟

Glimpse اولین مدل شرکت Elorian است؛ استارتاپی در پالو آلتو که حدود شش ماه پیش از حالت مخفی بیرون آمد. این مدل برای «استدلال با تصویر» ساخته شده، نه فقط «استدلال درباره‌ی تصویر». تفاوت این دو در جزئیات فنی است و همین تفاوت دلیل اصلی توجه به این مدل شده است.

مدل‌های چندوجهی رایج تصویر را یک‌بار می‌بینند، آن را به مجموعه‌ای از توکن‌ها تبدیل می‌کنند و بعد تقریباً فقط با متن فکر می‌کنند. اگر در همان نگاه اول جزئیاتی از دست برود، دیگر راهی برای بازگشت وجود ندارد. Glimpse این محدودیت را هدف گرفته است.

۲. «فضای یادداشت بصری» یعنی چه؟

Elorian توانایی اصلی مدل را «فضای یادداشت بصری» (visual scratch space) می‌نامد. Glimpse در میانه‌ی استدلال می‌تواند به منبع اصلی برگردد و کارهایی مثل این انجام دهد: برش زدن روی یک ناحیه‌ی مشخص از تصویر، بیرون کشیدن فریم‌های خاص از یک ویدیو، و اجرای کد برای اندازه‌گیری یا مقایسه‌ی آنچه می‌بیند.

مثال ساده: فرض کنید نموداری با ده‌ها نقطه و یک راهنمای ریز دارید. مدل معمولی باید از همان برداشت اولیه جواب بدهد. اما مدلی که می‌تواند روی راهنما زوم کند، نقطه‌ها را بشمارد و دوباره نمودار را بررسی کند، احتمال خطای کمتری دارد. البته این فقط توضیح مفهومی است و نه نتیجه‌ی آزمایش مستقل.

جالب است بدانید ایده‌ی کلی کاملاً تازه نیست. OpenAI در سال ۲۰۲۵ قابلیت برش و بزرگ‌نمایی را در حین استدلال به مدل‌های سری o اضافه کرده بود. تفاوت ادعایی Elorian این است که کل مدل را از ابتدا حول همین قابلیت ساخته است. اگر با اصول کار OpenAI آشنا نیستید، مقاله‌ی OpenAI چیست؟ نقطه‌ی شروع خوبی است.

۳. قیمت؛ مقایسه با Astra، Opus و Sol

مهم‌ترین عدد این خبر قیمت است. بر اساس جدول منتشرشده، نرخ‌های بدون کش برای هر یک میلیون توکن به این شکل است:

• مدل Glimpse: ۰٫۶۰ دلار ورودی و ۳ دلار خروجی
• مدل GPT-6 Astra: ۱۰ دلار ورودی و ۵۰ دلار خروجی
• مدل Claude Opus 5.5: ۴ دلار ورودی و ۲۰ دلار خروجی
• مدل GPT-6.1 Sol: ۲ دلار ورودی و ۱۰ دلار خروجی
• مدل Gemini 3.8 Flash: ۰٫۷۵ دلار ورودی و ۳٫۷۵ دلار خروجی (نرخ مقدماتی)

Elorian می‌گوید این قیمت حدود ۹۴ درصد کمتر از Astra، ۸۵ درصد کمتر از Opus 5.5، ۷۰ درصد کمتر از Sol و ۲۰ درصد کمتر از نرخ مقدماتی Gemini است. در یک نمونه‌ی برنامه‌ریزی ربات روی وظیفه‌ی LIBERO نیز هزینه‌ی هر اپیزود برای Glimpse ۰٫۰۳۵ دلار و برای Astra ۰٫۲۴۹ دلار اعلام شده است.

نکته‌ی تکمیلی: طبق گزارش TechCrunch، Glimpse گران‌تر از مدل‌های سبک مثل Haiku و Luna ولی ارزان‌تر از مدل‌های میان‌رده‌ای مثل Sonnet و Sol است. پس «ارزان‌ترین مدل بازار» نیست؛ ارزان‌ترین گزینه در کلاس خودش است.

۴. بنچمارک‌ها؛ چه کسی جلوتر است؟

این بخش جایی است که باید محتاط بود. همه‌ی ارقام از جدول داخلی خود Elorian آمده و با بالاترین سطح تلاش استدلالی و ابزار اختصاصی خود شرکت اجرا شده است. در چهار آزمون Glimpse جلوتر است:

• آزمون WGO Bench برای رویدادهای دست‌کاری سرتاسری: ۴۲٫۷۰ در برابر ۳۹٫۴۲
• آزمون CharXiv-R برای استدلال روی نمودارهای علمی: ۹۲٫۹۰ در برابر ۹۲٫۱۰
• آزمون UGC-VideoCap برای توصیف ویدیوهای کوتاه: ۸۲٫۶۶ در برابر ۸۰٫۳۲
• آزمون FSC-147 برای شمارش با واژگان باز: ۸۳٫۳۶ در برابر ۸۲٫۰۲

در آزمون ERQA برای استدلال فضایی، هر دو مدل ۸۳٫۷۵ گرفته‌اند. اما در شش آزمون دیگر Astra بالاتر است؛ مثلاً در HSS با ۵۳٫۶ در برابر ۴۶٫۳۶ و در Video-MME v2 با ۶۴٫۰۶ در برابر ۵۶٫۶۸. پس تصویر دقیق این است که Glimpse در چند حوزه‌ی مشخص رقابتی است، نه اینکه کلی از Astra بهتر باشد.

اختلاف‌های کوچکی مثل ۹۲٫۹ در برابر ۹۲٫۱ را هم نباید بزرگ کرد؛ بدون آزمون مستقل و تکرارپذیر، چنین فاصله‌هایی می‌تواند در محدوده‌ی خطا باشد. برای درک بهتر محدودیت‌های این‌گونه مقایسه‌ها، مقاله‌ی پتانسیل و محدودیت‌های واقعی هوش مصنوعی را بخوانید.

۵. اندازه، آموزش و هزینه‌ی ساخت

Elorian می‌گوید تیمی کوچک با چند صد پردازنده‌ی گرافیکی، Glimpse را آموزش داده و مدل به‌مراتب کوچک‌تر از سیستم‌های مرزی است که با آن‌ها مقایسه شده. طبق گزارش‌ها، پایه‌ی مدل متن‌باز بوده و شرکت آن را پس‌آموزش داده است. این یعنی اگر ادعاها درست باشد، استدلال بصری خوب لزوماً به ابرخوشه‌های چندده‌هزار GPU نیاز ندارد.

این موضوع برای بازار مهم است: وقتی مدلی کوچک‌تر در چند کار تخصصی با مدل بزرگ برابری کند، فشار قیمتی روی رقبا بیشتر می‌شود. همین منطق را در رقابت مدل‌های مختلف قبلاً هم دیده‌ایم؛ نمونه‌اش را در مقاله‌ی مقایسه‌ی ChatGPT و DeepSeek مرور کرده‌ایم.

۶. سرمایه، تیم و مسیر آینده

Elorian پیش از عرضه‌ی محصول یک دور سرمایه‌ی اولیه به مبلغ ۵۵ میلیون دلار با ارزش‌گذاری ۳۰۰ میلیون دلار جذب کرده است. شرکت‌های Striker Venture Partners، Menlo Ventures و Altimeter Capital این دور را هدایت کرده‌اند و Nvidia و جف دین، دانشمند ارشد Google، هم مشارکت داشته‌اند. مدیرعامل شرکت اندرو دای است که پیش‌تر در Google DeepMind پژوهشگر بوده است.

توجه: یک گزارش جانبی در همان رسانه از رقم ۵۰ میلیون دلار نام برده که با ۵۵ میلیون دلار گزارش TechCrunch نمی‌خواند. ما در اینجا رقم TechCrunch را آورده‌ایم، اما تا تأیید رسمی بهتر است آن را قطعی ندانید.

۷. کاربردها؛ از ربات تا تولید محتوا

Elorian بازارهای اولیه‌ی خود را شرکت‌های رباتیک، آزمایشگاه‌های علمی و شرکت‌های رسانه‌ای و خلاق معرفی کرده، به‌ویژه آن‌هایی که آرشیو بزرگ ویدیو دارند. دلیلش روشن است: در این حوزه‌ها همان قابلیت بازگشت به تصویر ارزش مستقیم دارد؛ مثلاً بررسی دقیق یک نمودار علمی، پیدا کردن لحظه‌ی مشخص در ویدیو یا برنامه‌ریزی حرکت ربات.

در بلندمدت، شرکت می‌خواهد از ادراک به عمل برسد: ساخت مدل صحنه برای هدایت اقدام و کنترل مستقیم ربات. خود شرکت می‌پذیرد که کنترل ربات و بازسازی کالیبره‌شده هنوز کار آینده است. سال آینده هم هدف را ساخت «بهترین مدل استدلال بصری جهان» اعلام کرده است.

اگر می‌خواهید از چنین مدل‌هایی در کسب‌وکار استفاده کنید، پیش از هر چیز هزینه و بازده را بسنجید؛ در مقاله‌ی اهمیت هوش مصنوعی در کسب‌وکار چارچوب ساده‌ای برای این ارزیابی آمده است.

۸. دسترسی و نکته‌های احتیاطی

Glimpse به‌صورت پیش‌نمایش پژوهشی با دسترسی API منتشر شده است. درباره‌ی رابط گفتگو، منابع هم‌نظر نیستند: TechCrunch آن را فقط با لیست انتظار توصیف می‌کند، در حالی که پست خود Elorian از دسترسی امروز سخن گفته است. اگر قصد استفاده دارید، وضعیت را از صفحه‌ی رسمی شرکت بررسی کنید.

چند احتیاط عملی پیش از هر تصمیم: نتایج را روی داده‌ی خودتان آزمایش کنید، هزینه را با احتساب توکن‌های تصویری و فراخوانی‌های ابزار بسنجید، و ادعای «۱۷ برابر ارزان‌تر» را که یک سرمایه‌گذار در پستش آورده، فقط محاسبه‌ی شخصی او بدانید. همچنین کیفیت پرامپت در مدل‌های بینایی اهمیت دارد؛ راهنمای نوشتن پرامپت برای مبتدی‌ها کمک می‌کند خروجی بهتری بگیرید.

برای دنبال کردن خبرهای مشابه هم می‌توانید به بخش اخبار هوش مصنوعی و آموزش‌های ChatGPT در سایت سر بزنید. همچنین برای دید واقع‌بینانه درباره‌ی حد توان مدل‌ها، توهم هوش مصنوعی؛ توسعه‌دهنده‌ی تنها در برابر مهندس واقعی خواندنی است.

چرا این خبر برای کاربران فارسی‌زبان مهم است؟

بسیاری از کاربران ایرانی و فارسی‌زبان از هوش مصنوعی برای تحلیل اسکرین‌شات، جدول، نمودار و ویدیو استفاده می‌کنند. اگر مدل‌های ارزان‌تر در این کارها به کیفیت قابل‌قبول برسند، هزینه‌ی ساخت ابزارهای کاربردی مثل دستیار تحلیل گزارش، شمارش اشیا در تصویر یا خلاصه‌سازی ویدیو برای تیم‌های کوچک بسیار پایین می‌آید. البته کیفیت درک متن فارسی داخل تصویر هنوز باید جداگانه آزمایش شود، چون شرکت درباره‌ی آن چیزی اعلام نکرده است.

از نگاه بازار هم این خبر نشانه‌ی روند بزرگ‌تری است: رقابت از «بزرگ‌ترین مدل» به «بهترین نسبت کیفیت به قیمت در یک کار مشخص» منتقل می‌شود. شرکت‌هایی که فقط روی مدل‌های گران و عمومی تکیه کنند، باید در ماه‌های آینده انتظار فشار بیشتری از سوی بازیگران کوچک و متخصص داشته باشند.

پرسش‌های متداول

Glimpse چیست و چه کسی ساخته است؟

مدل بینایی-استدلالی شرکت Elorian است که در ۱۶ اکتبر ۲۰۲۶ به‌صورت پیش‌نمایش پژوهشی عرضه شد.

قیمت Glimpse چقدر است؟

۰٫۶۰ دلار برای هر یک میلیون توکن ورودی و ۳ دلار برای هر یک میلیون توکن خروجی؛ حدود ۹۴ درصد کمتر از GPT-6 Astra طبق ادعای شرکت.

آیا Glimpse از GPT-6 Astra بهتر است؟

طبق جدول خود شرکت، در چهار آزمون جلوتر، در یکی مساوی و در شش آزمون عقب‌تر است. ارزیابی مستقل هنوز منتشر نشده.

«فضای یادداشت بصری» چه کاربردی دارد؟

به مدل اجازه می‌دهد وسط استدلال تصویر را برش بزند، فریم ویدیو بکشد یا با کد اندازه‌گیری کند.

آیا می‌توانم همین حالا از آن استفاده کنم؟

دسترسی API در پیش‌نمایش پژوهشی هست؛ رابط گفتگو طبق TechCrunch با لیست انتظار است. وضعیت را از منبع رسمی بررسی کنید.