La startup Elorian ha presentato Glimpse, un modello di intelligenza artificiale progettato per eseguire ragionamenti visivi attraverso l’osservazione ripetuta di immagini e sequenze video, anziché affidarsi esclusivamente a una prima rappresentazione del contenuto acquisito. Il sistema è stato distribuito il 16 ottobre 2026 in versione di anteprima per la ricerca, con accesso tramite API e interfaccia conversazionale. La caratteristica principale consiste nella capacità di selezionare e riesaminare determinate regioni di un’immagine, ingrandire particolari, tornare su segmenti specifici di una registrazione video e analizzare una successione più ravvicinata di fotogrammi quando sono necessarie informazioni aggiuntive. Queste operazioni vengono organizzate attraverso uno spazio di lavoro visivo, denominato visual scratch space, che permette al modello di utilizzare le osservazioni successive per approfondire o correggere le proprie valutazioni. L’architettura è orientata ad attività che richiedono di riconoscere relazioni spaziali tra oggetti, seguire i movimenti nel tempo, confrontare una scena da prospettive differenti e interpretare le conseguenze delle azioni rappresentate.
Elorian è guidata da Andrew M. Dai, precedentemente impegnato nelle attività di ricerca di Google DeepMind, che ha individuato nelle limitazioni del ragionamento visivo uno dei problemi affrontati dal progetto. Dai ha descritto, tra gli esempi che hanno motivato lo sviluppo, un’esperienza nella quale un modello di intelligenza artificiale non era riuscito a identificare correttamente chi stesse vincendo una partita da tavolo osservando una fotografia. Il problema riguarda la necessità di interpretare le relazioni tra gli elementi presenti nella scena, anziché limitarsi al loro riconoscimento. Una difficoltà analoga emerge nella comprensione delle istruzioni illustrate prive di testo, come quelle utilizzate per montare mobili, dove l’identificazione degli oggetti deve essere accompagnata dalla ricostruzione delle trasformazioni e delle relazioni spaziali. Per sviluppare Glimpse, Elorian ha effettuato il post-addestramento di un modello a pesi aperti utilizzando alcune centinaia di GPU, concentrando il lavoro sull’impiego iterativo delle informazioni visive durante il ragionamento, senza ricorrere necessariamente a un’infrastruttura di addestramento delle dimensioni utilizzate dai maggiori laboratori.
Nelle valutazioni interne comunicate da Elorian, Glimpse ha superato GPT-6 Astra di OpenAI in quattro categorie di ragionamento visivo: interpretazione di grafici scientifici, conteggio di specifiche tipologie di oggetti, descrizione di brevi video e comprensione di scene relative alla manipolazione robotica. In un’ulteriore valutazione dedicata alle relazioni spaziali osservate dal punto di vista di un robot, i due modelli hanno mostrato prestazioni comparabili. Glimpse è risultato invece inferiore ad Astra in altre prove di comprensione delle scene e in determinate attività di ragionamento temporale, per cui i risultati non indicano una superiorità complessiva in ogni tipologia di compito visivo. I confronti sono stati effettuati dall’azienda e devono essere interpretati nel perimetro dei benchmark utilizzati, senza estenderli automaticamente ad applicazioni differenti.
Elorian ha effettuato anche una prova di pianificazione robotica, collegando alternativamente Glimpse e Astra allo stesso modello di controllo di un robot. Il compito consisteva nel collocare del formaggio cremoso in una ciotola e successivamente posizionare la ciotola sopra un mobile. Entrambi i sistemi hanno suddiviso l’attività in passaggi, osservato lo stato dell’ambiente attraverso la telecamera del robot e definito le azioni successive in funzione dei risultati visivi. La prova è stata completata in entrambi i casi, ma i costi dichiarati per la pianificazione sono risultati differenti: circa 0,035 dollari utilizzando Glimpse e 0,249 dollari utilizzando Astra. Il risultato riguarda il costo della componente di pianificazione nello specifico esperimento e non rappresenta una misura generalizzabile di tutti i costi di funzionamento del robot.
L’API di Glimpse è proposta a 0,60 dollari per milione di token in ingresso e 3 dollari per milione di token in uscita. Secondo Elorian, i prezzi unitari corrispondono a circa il 6% di quelli applicati ad Astra per le rispettive categorie di token. L’azienda ha tuttavia precisato che le operazioni di osservazione ripetuta delle immagini possono comportare un consumo elevato di token, rendendo l’efficienza del processo visivo uno degli aspetti da migliorare. Tra le applicazioni individuate figurano robotica, analisi di dati scientifici, ricerca e classificazione di contenuti video e produzione di materiali visivi. Gli sviluppi successivi prevedono di estendere le capacità del modello dalla comprensione delle scene alla loro ricostruzione e alla previsione del movimento degli oggetti, con l’obiettivo di arrivare a sistemi capaci di determinare azioni sulla base dell’evoluzione dell’ambiente osservato. La ricostruzione dettagliata delle scene e il controllo robotico diretto rimangono funzionalità previste per le fasi successive del progetto.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)