/// Signal

Glimpse : Elorian revendique le niveau frontière visuel pour quelques centaines de GPU, et Astra le bat six fois sur onze

Le fait : le vendredi 16 octobre 2026, la startup Elorian a publié Glimpse, son premier modèle, dans un billet daté du jour — « Introducing Glimpse », sous-titré « Visual thinking that stays grounded ». TechCrunch, qui écrit avoir eu l’exclusivité, précise qu’il sort en « research preview » avec un accès par API et une interface de conversation, et que l’entreprise de Palo Alto avait levé 55 millions de dollars sur une valorisation de 300 millions avant d’avoir le moindre produit. Deux passages du dossier comptent plus que le reste, et aucun des deux n’est dans le titre de l’annonce. Le premier est une ligne du billet d’Elorian, en clair : « post-trained on an open weights base model » — Glimpse n’est pas un modèle construit depuis zéro, c’est un post-entraînement d’un modèle de base à poids ouverts, mené par une petite équipe avec « only a few hundred GPUs », et la fiche du modèle chez Together AI le répète mot pour mot. Le second est dans le tableau qu’Elorian publie lui-même : sur les onze évaluations où Glimpse et GPT-6 Astra ont tous deux un score, Glimpse en gagne quatre, en partage une et en perd six.

Ce que Glimpse fait, et en quoi ce n’est pas la vision des modèles multimodaux ordinaires. TechCrunch pose la différence en deux phrases, et c’est la meilleure description du produit qu’on puisse citer : « Most multimodal models look at an image once, convert it to tokens, and then reason about it in text — like describing a photo from memory. Glimpse keeps going back to the source. » Puis le mécanisme : « Mid-reasoning, it can crop into a region, pull specific frames from a video, or run code to measure or compare what it’s looking at, a mechanism Elorian calls a "visual scratch space." » Le billet d’Elorian décrit la même chose du point de vue de l’utilisateur, et c’est là que le produit devient concret : « our platform shows the model’s visual scratch space as it reasons: it will zoom into a region, watch a short interval at a denser frame rate, or track one feature across time ». La page d’annonce ouvre d’ailleurs sur trois tâches, posées comme des devinettes — « Follow one dolphin through the moving pod. », « From the tallest building, where are the bridges? », « If the operator steps away, where do the papers go? » — et les résume en une ligne : « Three tasks: preserve identity through motion, reason from another viewpoint, and predict a physical consequence. » S’y ajoute une capacité que TechCrunch n’a pas relevée — la fiche de Together AI, elle, lui consacre une carte intitulée « Subagent Coordination », et la résume d’une phrase plus courte que celle du billet : « it can coordinate subagents that exchange text, visual artifacts, and internal representations ». La phrase longue est celle d’Elorian : « Glimpse can spawn and coordinate subagents that exchange text, visual artifacts, and internal representations to solve a shared problem. » L’origine du projet, elle, est racontée par le directeur général Andrew Dai, ancien chercheur de Google DeepMind, et elle tient à une soirée jeu de société : il photographie une partie terminée et demande à un modèle de frontière qui gagne ; le modèle ne sait pas. « each have their own visual language, each have their own iconography, symbols », dit-il à TechCrunch, avant la phrase qui résume le programme : « Humans can look at Ikea diagrams, with no text, and assemble Ikea furniture, right? Why can’t AI models? »

La primauté ne tient pas, et c’est la fiche de veille qui l’avait fabriquée. Elle annonçait que Glimpse était le premier modèle capable de raisonner directement avec les images, ce qu’aucune des pages lues ne dit. Le billet d’Elorian revendique « a new category of visual thinking model » — une catégorie, pas une première — et TechCrunch écrit l’inverse du titre de la fiche, dans la phrase même où il décrit l’approche : « The approach isn’t completely new — OpenAI added crop-and-zoom during reasoning to its o-series models in 2025 — but Elorian’s pitch is that it built the whole model around it, cheaply. » La nuance n’est pas mince : ce qui est nouveau n’est pas le recadrage pendant le raisonnement, c’est d’avoir construit le modèle entier autour de lui. La fiche se trompait une seconde fois sur la disponibilité, mais à moitié seulement, et il faut le dire précisément. Elle écrivait que Glimpse n’était accessible que sur liste d’attente : c’est faux pour le modèle lui-même, puisque le billet dit « Glimpse is available through API and our chat UI today. », puis, en bas de page, « Try Glimpse free on the Elorian platform ». Le HTML de cette page porte même, en commentaire à côté du bouton d’inscription, la consigne que ses auteurs se sont donnée : « "Sign up", not "Sign in". This post is the first thing most readers will have seen of Glimpse, so the button has to invite someone without an account ». Un bouton qui doit accueillir quelqu’un qui n’a pas de compte n’est pas une porte fermée. Mais un autre commentaire de la même page borne la gratuité, et il vaut la citation entière, ponctuation comprise — le commentaire écrit deux traits d’union là où le français attend un tiret cadratin : « "free" is deliberately attached to trying it, not to the chat interface as a whole. There is a free tier with usage limits -- Tam reworked how it meters Max mode on 15 Oct because Max was burning 2-4x its cost against it -- so a flat "chat is free" would overstate it, and it would sit directly beneath a table of per-token prices. If the tier is ever genuinely uncapped this can say so. » Et sur l’hébergeur tiers que nous citions, Together AI, la page se contredit : elle affiche trois fois « Available on Together AI » et un bouton « Try now », mais aussi « Launching soon », puis la question « Want to be notified when the model is available on Together AI? », dont le bouton ouvre une fenêtre qui répond « You’re on the list », suivie de la promesse « We’ll email you when the endpoint goes live. Until then, 200+ models are ready to call. » Nous ne tranchons pas ce que cela signifie, et nous le disons : une liste de notification existe en tout cas chez ce tiers. Notre première version affirmait que Together AI servait déjà le modèle : c’était faux, et nous le corrigeons.

Comment il a été obtenu, et la ligne que l’exclusivité ne reprend pas. TechCrunch écrit : « The company says a small team trained Glimpse on a few hundred GPUs and that the model is substantially smaller than the frontier systems it’s benchmarked against. » C’est exact et c’est incomplet, parce que la phrase qui précède « small team » dans le billet d’Elorian dit de quoi il s’agit vraiment : « We developed Glimpse as a small team with only a few hundred GPUs, post-trained on an open weights base model. » Post-entraîné, donc : le socle existait déjà, et le travail d’Elorian a porté sur l’entraînement complémentaire. La fiche du modèle chez Together AI reprend la même formule, mais il faut dire dans quel statut, car ce n’est pas une confirmation indépendante : cette page écrit « Glimpse is a research preview from Elorian, which describes it as a new category of visual thinking model », et elle signale ses chiffres comme « All figures Elorian-reported at maximum thinking effort ». C’est un relais, et il reprend la formule : « Post-trained on an open-weights base model. » Ce socle n’est nommé nulle part — ni dans le billet, ni chez TechCrunch, ni dans la fiche de Together AI — et c’est ce qui borne la portée du résultat : personne, hors de l’entreprise, ne peut dire sur quel modèle ce post-entraînement a porté, ni ce que valent réellement les « only a few hundred GPUs » annoncés. Ce n’est pas un détail de vocabulaire, c’est la nature du résultat : une équipe réduite, un budget de calcul de quelques centaines de GPU et un modèle libre comme point de départ viennent d’obtenir des scores comparables à ceux des systèmes frontière sur une partie des évaluations visuelles. Il y a une tension, et nous la donnons sans la lisser : la même page d’annonce affirme croire au fait de construire « the full stack across systems, data, model architecture, and training — from the ground up for multimodal intelligence », alors que le modèle qu’elle présente ce jour-là part d’un socle qu’elle n’a pas entraîné. Les deux phrases sont vraies à des horizons différents — l’une décrit Glimpse, l’autre décrit ce que l’entreprise veut devenir — mais aucun des deux textes ne prend la peine de le dire, et le lecteur de la seule dépêche de TechCrunch ne l’apprend jamais.

Le tableau, recalculé ligne par ligne, et ce qu’il montre quand on le lit en entier. Elorian résume ses résultats d’une phrase : « Glimpse exceeds Astra on four evaluations spanning scientific chart reasoning, open-vocabulary counting, short-form video captioning, and manipulation-event understanding, and matches it on embodied reasoning. » Cette phrase est vraie — nous avons vérifié les quatre lignes, et l’égalité aussi — mais elle est sélective, et c’est le tableau qui le dit. Il compte douze évaluations ; onze portent un score pour Glimpse et pour GPT-6 Astra, la douzième — E.T. Bench, compréhension d’événements — n’ayant pas de valeur Astra. Sur ces onze, Glimpse gagne quatre fois, partage une fois et perd six fois. Ses quatre victoires sont étroites : de 0,80 point sur CharXiv-R (92,90 contre 92,10) à 3,28 points sur WGO Bench (42,70 contre 39,42). Ses six défaites vont plus loin : de 2,32 points sur BabyVision à 7,38 points sur Video-MME v2 (56,68 contre 64,06), en passant par 7,24 points sur HSS (46,36 contre 53,60). Contre les trois autres modèles du tableau, le partage s’inverse : Glimpse gagne sept des douze évaluations face à GPT-6.1 Sol, sept des neuf où Claude Opus 5.5 a un score, et onze des douze face à Gemini 3.8 Flash. Autrement dit, le modèle qu’il ne bat pas, c’est celui qu’Elorian nomme en premier. Deux réserves de méthode accompagnent ce décompte, et elles valent dans les deux sens — pour les victoires comme pour les défaites. La note de bas de page du tableau écrit que les modèles n’ont pas été mesurés dans le même harnais : « Glimpse max; GPT-6 Astra max + Code Interpreter; GPT-6.1 Sol max + Code Interpreter; Opus 5.5 max + Code Interpreter; and Gemini 3.8 Flash high + Code Interpreter for image and Gemini 3.8 Flash high + Video Agent for video », avec un traitement particulier pour la vidéo — et cette réserve-là mérite d’être citée en entier, parce qu’elle joue contre Glimpse : « For video evals, GPT-6.1 Sol and Opus 5.5 use high + Code Interpreter, except Sol Video-MME v2 which uses max + Code Interpreter; max-effort results are not available for the other video evaluations. » Autrement dit, sur la vidéo, les concurrents de Glimpse n’ont pas tous tourné à leur effort maximal — or c’est précisément là que Glimpse prend son pire écart (Video-MME v2, 7,38 points) comme l’une de ses quatre victoires (UGC-VideoCap, 2,34 points). Cette réserve ne protège donc pas Elorian : elle rend les lignes vidéo du tableau plus fragiles encore. La note ajoute par ailleurs que « HSS includes paper-reported results ». Tous ces chiffres sont donc des chiffres d’Elorian, sur des configurations qu’Elorian choisit ; nous n’avons trouvé aucune évaluation indépendante à la date où nous écrivons. Un détail de provenance éclaire même l’une des deux pires lignes du tableau : HSS, où Glimpse perd 7,24 points, est un banc d’essai qu’Elorian a construit lui-même. L’index du blog annonce « Introducing Humanity’s Sixth Sense (HSS) », daté du 8 octobre 2026, et précise « Built in partnership with Scale AI ». Le modèle perd donc largement sur sa propre épreuve — ce qui, à la décharge d’Elorian, veut dire aussi que l’entreprise publie un classement où elle est battue.

Le prix, qui est la vraie revendication, et la réserve qu’Elorian écrit lui-même. « Input tokens cost $0.60 per million and output tokens $3.00 per million », écrit le billet, et il décline la comparaison : « both rates are 94% lower than GPT-6 Astra’s, 85% lower than Claude Opus 5.5’s, 70% lower than GPT-6.1 Sol’s, and 20% lower than Gemini 3.8 Flash’s introductory rates. » Nous avons recalculé les quatre pourcentages sur les prix du tableau — Astra à 10 et 50 dollars, Opus 5.5 à 4 et 20, Sol à 2 et 10, Gemini 3.8 Flash à 0,75 et 3,75 en tarif d’introduction — et les quatre tombent juste, à l’entrée comme à la sortie. TechCrunch situe l’offre autrement, et sa formulation est plus parlante pour un lecteur : « cheaper than mid-level models like Sonnet and Sol but more expensive than lightweight models like Haiku and Luna. » Le prix n’est pourtant pas toute l’histoire, et c’est Elorian qui le dit, dans un paragraphe que personne n’a repris : « Looking that closely takes time, and tokens. Token efficiency is our next highest focus, alongside ramping up our research into the hardest visual reasoning model skills. » Un modèle qui regarde plusieurs fois dépense plus de jetons pour une même question ; le prix au million de jetons ne dit donc pas le prix d’une tâche. Le seul chiffre de coût par tâche du dossier est donné dans une démonstration de planification robotique, et il est favorable : « Glimpse’s planning costs $0.035 for the episode; Astra’s costs $0.249. » Sept fois moins cher sur cet épisode, donc, mais c’est un exemple choisi par l’entreprise, et c’est la seule mesure de ce genre publiée.

Ce qui n’existe pas encore, et que la couverture a laissé passer. Glimpse regarde ; il n’agit pas. La page d’annonce l’écrit deux fois, à deux endroits différents, et les deux phrases sont sans ambiguïté : sous l’exemple ferroviaire, « Direct action generation remains future work. », et en conclusion, « calibrated reconstruction and robot control remain work ahead ». Le billet va jusqu’à qualifier l’ensemble : « Glimpse’s visual understanding capabilities are an early step » TechCrunch formule la même chose du point de vue de la stratégie — « Longer term, Elorian wants to move from seeing to doing » — et donne l’objectif que Dai s’est fixé pour l’an prochain : construire « the world’s best visual reasoning model », un modèle qui, dans les mots du journaliste et non dans ceux de Dai, mène sur chaque test de raisonnement visuel. C’est une intention, pas un résultat, et elle est datée d’un an. Les cibles commerciales, elles, sont nommées : « companies sitting on lots of video: robotics firms, scientific labs, media, and creative companies ». Pour un créateur, la lecture utile est donc double : ce qui est livré aujourd’hui est un modèle qui décrit, compte et suit des objets dans une vidéo à un prix inférieur de 94 % à celui d’Astra à l’entrée — et ce qui est promis, piloter un robot ou agir sur une scène, n’est pas dans le produit.

Notre lecture, et ce que nous ne pouvons pas trancher. L’événement n’est pas qu’un modèle sache regarder une image ; c’est qu’une petite équipe annonce des scores de niveau frontière sur une partie des évaluations visuelles en partant d’un modèle de base à poids ouverts, avec quelques centaines de GPU, et en facturant 0,60 dollar le million de jetons à l’entrée. Si ce résultat tient hors du tableau de son auteur, la question de fond des six prochains mois n’est pas de savoir qui aura le plus gros centre de calcul, mais si le raisonnement visuel de niveau frontière est un problème de post-entraînement — ce qui ne se joue pas au même endroit, ni avec les mêmes acteurs. Ce que nous ne pouvons pas trancher est exactement ce qui porterait cette conclusion : toutes les mesures publiées viennent d’Elorian, dans des harnais qui diffèrent d’un modèle à l’autre, et nous n’avons trouvé aucune évaluation indépendante à ce jour. Il faut le dire d’autant plus nettement que le partage du tableau est ambigu — quatre victoires étroites, six défaites plus larges face à Astra — et qu’un décompte de victoires n’est pas une mesure de capacité globale : Video-MME v2, où Glimpse perd 7,38 points, pèse plus lourd dans un usage réel que CharXiv-R, où il en gagne 0,80. Ce qui est solide, en revanche, ne dépend d’aucun benchmark : Glimpse est disponible aujourd’hui par API et par une interface de conversation sur la plateforme d’Elorian, il a été post-entraîné sur un socle ouvert que l’entreprise ne nomme pas, et ses tarifs sont publiés. C’est peu pour un titre, c’est beaucoup pour un dossier.