DecoyCount基準測試結果與比較條件
Elorian與AI數據公司Mercor合作發布了DecoyCount基準，該測試包含1,660個項目，旨在檢驗語言模型是否真正計算物體數量，還是依賴視覺捷徑和替代啟發式方法。根據隨附論文，當時的前緣模型在此測試中的準確率均低於50%，其中表現最好的GPT-6 Astra為43.17%。
Elorian執行長Andrew Dai透過電子郵件表示，Glimpse在內部測試中獲得了50.48%的成績，是唯一超過50%的模型。其他被提及的前緣模型成績分別為：Gemini-3.8-flash（32.71%）、Qwen3.8-max（28.31%）以及Claude-Fable-5.1（25.22%）。
Dai強調，為了確保公平比較，評估用的圖像和文本已從Glimpse的訓練數據中排除，且污染檢查顯示訓練資料無重疊。然而，他也指出Glimpse的結果來自單次獨立運行，沒有使用代理或工具框架；相比之下，論文中的六個前緣模型數據是在各自報告設定下進行三次運行的平均值。
視覺推理與世界模型的技術定位差異
Elorian將Glimpse定位為「視覺思考模型」，其核心概念參考人類心理學中的視覺思維，即在腦中生成並編輯圖像以解決空間或視覺問題。Dai解釋，這種方法讓圖像生成成為推理鏈的一部分，而不僅是最終輸出，例如在計算圍桌人數時，模型會在心中逐一標記已數過的人。
針對市場上熱門的世界模型（如World Labs的Atlas或Google的Genie 4），Dai指出兩者在應用上有本質區別。世界模型允許對世界進行「直接行動」，例如建立3D模擬環境供導航和操作；而Elorian側重於「間接行動」，即利用視覺推理來輔助決策或工作流程，例如判斷用戶上傳的影片是否違反政策，這類任務不需要3D渲染。
Dai舉例說明，若倉庫機器人需要清點箱內物品，依賴預期模式的模型可能會因為標籤寫著24件但實際只有10件而出錯。Glimpse的設計目標是基於可見證據進行計數，而非跳過圖像細節直接得出結論，從而提高在真實世界應用中的準確性。
公司背景與AGI願景
Elorian於今年4月結束隱身狀態，獲得由Striker Venture Partners、Menlo Ventures和Altimeter Capital共同領投的5,500萬美元種子輪融資。執行長Andrew Dai曾在Google工作多年，參與過GLaM MoE、PaLM 2及Gemini等專案，並於2015年與Quoc Le共同發表了預訓練後微調方法的早期論文。
Elorian宣稱視覺推理是實現人工通用智能（AGI）的基礎要求。Dai承認目前機器與人類之間仍有巨大差距，但他認為視覺推理是縮小這一差距的關鍵步驟，並表示若要構建類似AGI的系統，不能跳過視覺處理環節。
除了視覺計數，Elorian還展示了在機器人基準測試WGO Bench和ERQA中的表現，聲稱其模型評分等於或高於前緣模型，且成本更低。公司將應用場景擴展至機器人、工程、國防以及建築法規合規性檢查等領域。
