Elorian이 추론 중 이미지를 다시 들여다보는 비전 모델 Glimpse를 공개했다

팔로알토 기반 AI 스타트업 Elorian이 첫 모델 Glimpse를 연구 프리뷰 형태로 공개했다. API 접근과 채팅 인터페이스를 함께 제공하며, 회사가 내세우는 문제의식은 단순하다. 언어와 코드에서는 눈부신 성과를 낸 현재의 모델들이 정작 이미지를 '본다'는 일은 제대로 하지 못한다는 것이다.

Glimpse의 핵심은 추론 도중 원본 이미지로 되돌아가는 구조다. 중간 단계에서 특정 영역을 잘라 확대하거나, 영상에서 필요한 프레임을 다시 끌어오거나, 코드를 실행해 크기를 재고 대상을 비교한다. Elorian은 이 공간을 '시각적 스크래치 공간(visual scratch space)'이라고 부른다. 휴대폰 사진을 손가락으로 확대해 아까 본 게 맞는지 다시 확인하는 동작에 가깝다.

대부분의 멀티모달 모델은 이미지를 한 번 토큰으로 변환한 뒤에는 텍스트 공간에서만 추론한다. 사진을 직접 보는 대신 기억에 의존해 설명하는 셈이다. Glimpse는 그 기억을 다시 원본과 대조하는 절차를 모델 안에 넣었다.

이 문제의식은 CEO Andrew Dai의 개인적인 경험에서 구체화됐다. 전 Google DeepMind 연구자인 그는 친구들과 보드게임을 마친 뒤 사진을 찍어 프런티어 모델에 누가 이기고 있는지 물었고, 답을 얻지 못했다. 보드게임마다 고유한 아이콘과 기호 체계가 있는데 모델이 그 시각 언어를 직관적으로 읽지 못한다는 것이다. 텍스트가 거의 없는 IKEA 조립도를 보고 사람은 가구를 조립하지만 AI는 그러지 못한다는 지적도 같은 맥락이다.

추론 중 이미지를 잘라 확대하는 발상 자체가 처음은 아니다. OpenAI가 2025년 o-시리즈에 crop-and-zoom을 넣은 바 있다. Elorian의 차별점은 이 메커니즘을 모델 설계의 중심에 놓고 적은 비용으로 훈련했다는 주장에 있다. 수백 개 GPU로 훈련했고, 비교 대상인 프런티어 시스템보다 모델 크기가 상당히 작다.

가격은 입력 100만 토큰당 0.60달러, 출력 100만 토큰당 3달러다. Sonnet이나 Sol 같은 중급 모델보다 저렴하고, Haiku나 Luna 같은 경량 모델보다는 비싼 구간이다.

Elorian이 공개한 자체 평가에서는 과학 차트 추론과 짧은 영상 캡셔닝 과제에서 GPT-6 Astra를 앞섰고, 다른 시각 추론 과제에서도 경쟁력 있는 결과를 냈다.

회사는 6개월 전 스텔스에서 나왔다. Striker Venture Partners, Menlo Ventures, Altimeter Capital이 공동 리드한 라운드에 Nvidia와 Google 수석과학자 Jeff Dean이 참여했고, 제품 출시 전에 3억 달러 밸류에이션으로 5,500만 달러 시드를 유치했다.

1차 타깃은 영상 데이터를 대량으로 보유한 조직이다. 로보틱스 기업, 과학 연구소, 미디어, 크리에이티브 회사가 여기에 해당한다. 차트 판독이나 영상 이해가 필요한 파이프라인을 운영하는 개발자라면 API로 붙여 중급 모델을 대체할 후보로 검토할 만하다. 다만 연구 프리뷰 단계이고, 성능 수치는 회사 자체 평가라는 점을 감안해야 한다.

장기 목표는 보는 것에서 하는 것으로 넘어가는 것이다. 장면 모델을 만들어 이를 바탕으로 행동을 선택하고, 로봇을 직접 제어하는 것까지가 시야에 들어 있다. 내년에는 모든 시각 추론 테스트에서 앞서는 '세계 최고의 시각 추론 모델'을 만들겠다는 목표를 제시했다.