Glimpse переглянув відео ще раз. «Склейка» виявилася рухом камери.

Ролик надає обіцянці видимої форми

У ролику запуску показано траєкторію баскетбольного м’яча та внутрішню будову автомобіля. Ці образи працюють, бо роблять зрозумілою невидиму ідею: розуміти зв’язки в часі й просторі. Глядач вловлює задум ще до читання технічного опису.

Водночас креслярська стилізація не показує, чи система виміряла автомобіль, відновила його геометрію або створила редагований об’єкт. Для такого висновку потрібні вхідні дані, отриманий результат і зв’язок між ними. В анонсі Elorian калібрована реконструкція та безпосереднє керування роботами залишаються майбутніми напрямами роботи.

У цій статті ролик — привід придивитися уважніше. Практичне питання конкретніше й вимогливіше: якщо модель стверджує, що у відео щось сталося, чи можна знайти цьому підтвердження в самому відео?

Джерела: Elorian [1] · Andrew M. Dai / X [2]

Корисна зміна — знати, куди подивитися ще раз

Рідкісні стоп-кадри можуть приховати саме той перехід, який пояснює сцену. На одному об’єкт ліворуч, на наступному — праворуч. Між ними міг переміститися об’єкт, повернутися камера або змінитися план. Дві крайні точки не дають остаточної відповіді.

Це важливо, коли шукаєш безперервний дубль, перевіряєш передачу реквізиту або знаходиш мить виходу виконавця з кадру. Гладкий переказ може пропустити кожну з цих деталей. Корисна відповідь має називати видиму подію, вказувати її місце у відео й позначати те, що залишається неясним.

Окрема демонстрація Elorian із цуценятами наочно пояснює відстеження ідентичності: кольорові маски та сталі номери супроводжують тварин, поки ручна камера змінює ракурс. Нас цікавить, що відбувається, коли тварина ховається за іншою, виходить із кадру й повертається. Кількість появ легко сплутати з кількістю окремих тварин.

На зйомці аналогом може бути статист, який двічі проходить на задньому плані. Асистент для архіву не має перетворювати його на двох людей, так само як різку панораму — на новий план. Це запропонований сценарій перевірки, а не процес, який ми вже випробували з Glimpse.

Джерела: Elorian [1] · Elorian AI / X [3]

Проти Astra: переваги, відставання й жодного абсолютного переможця

Elorian наводить ці результати для Glimpse на максимальному рівні міркування та Astra на максимальному рівні з Code Interpreter. Це порівняння розробника з різними модельними системами; ми його не відтворювали.

Порядок моделей змінюється залежно від завдання. Саме тому важливо показати і переваги, і відставання. Кращий результат в описуванні відео не означає автоматично надійнішого розуміння послідовності подій. Один бенчмарк також не підкаже монтажеру, яка модель помітить порушення безперервності в його матеріалі.

Ця таблиця — підстава включити модель до власної перевірки. Усереднювати рядки в «оцінку для кіновиробництва» не варто: тести ставлять різні запитання й використовують різне оцінювання. Невеликі числові розриви також потребують оцінки невизначеності та повторних запусків, перш ніж говорити про загальну перевагу.

Джерела: Elorian [1]

Побачити дію й зрозуміти намір — різні завдання

Humanity’s Sixth Sense, створений Scale AI та Elorian, містить 522 візуальні завдання. Опублікований людський базовий результат — 93,1%. У поточному рейтингу Scale Gemini 4 Argon має 55,40 ±4,20, а GPT-6 Astra — 53,60 ±4,10. Інтервали перетинаються, тому сам порядок рядків не доводить переконливої переваги.

Методологія Scale виключає звук і транскрипти з відеозавдань. Судження про внутрішні стани людей означають збіг з оцінкою анотаторів, а не встановлену істину про зображених людей. Цей рейтинг ми розглядаємо окремо від таблиці запуску Elorian: їхні налаштування та результати не можна довільно змішувати.

Для режисера різниця очевидна. Людина закриває валізу — видима дія. Людина збирається залишити партнера — тлумачення. Друге речення може відповідати сцені, але потребує контексту. Діалог, попередній план або позакадровий звук здатні змінити його. Асистент, який позначає припущення як припущення, корисніший за того, хто описує все з однаковою впевненістю.

Джерела: Scale Labs [4] · Scale Labs / Elorian [5]

Уже доступний. Але вартість визначає весь процес.

Дай оголосив безкоштовний доступ до чату разом з API. У подальших уточненнях щодо API він назвав поточну межу в 15 хвилин на кліп і зазначив, що повертається лише фінальна відповідь, а не повний перебіг міркувань. Це важлива різниця для інструмента, в якому треба перевіряти підстави рішення.

17 жовтня OpenRouter додав elorian/glimpse: текст, зображення й відео на вході; текст на виході; контекст 262 144 токени; $0,60 за мільйон вхідних і $3 за мільйон вихідних токенів. Наразі сторінка виключає маршрутизацію всередині регіону ЄС. Дата появи в каталозі означає новий канал доступу, а не іншу дату запуску моделі.

Це тарифи за токени, а не ціна аналізу десятихвилинного фільму. Для бюджету варто зафіксувати оплачений обсяг, тривалість обробки та час людської перевірки саме ваших файлів. Дешева відповідь, яку доводиться довго перевіряти, може обійтися виробництву дорожче за дорожчу відповідь, що одразу знаходить потрібний момент.

Просіть таймкоди оригіналу й коротке пояснення видимих ознак у фінальній відповіді. Так рецензент матиме щось для перевірки; однак пояснення моделі не стає гарантованим записом її внутрішнього процесу. У роботі з архівом результат має повертати людину до конкретного місця у відео.

Джерела: Andrew M. Dai / X [6] · Andrew M. Dai / X [7] · Andrew M. Dai / X [8] · OpenRouter [9]

Що я перевірив би перед роботою з вихідним матеріалом

Почніть із короткої послідовності, на яку маєте права й яку добре знаєте. Виконавець проходить за колоною, повертається з тією самою чашкою та ставить її на стіл. Зніміть безперервну панораму, а потім зробіть другу версію з жорсткою склейкою в момент перекриття. Нехай обидві версії будуть досить схожими, щоб поверховий переказ міг їх переплутати.

Дайте моделям однакові файли й запитання, зафіксуйте фактичні інструменти та рівень міркування, а відповіді звіряйте з оригіналом. Повторіть перевірку з нижчою роздільністю й тіснішим кадруванням. Так можна з’ясувати, чи зберігається точність після звичайних виробничих змін. Ми цього експерименту не проводили.

• Ідентичність: чи це той самий виконавець після повернення і чи послідовно відстежується чашка?
• Час: відповідь знаходить мить відпускання чашки чи лише наближення руки до столу?
• Будова плану: чи відрізняє модель безперервну панораму від змонтованої версії?
• Невизначеність: коли об’єкт прихований, чи визнає модель це, замість вигадувати невидиму дію?
• Виробнича користь: скільки правильних позначок отримано на хвилину людської перевірки?

Перспективний асистент для моменту між кадрами

Glimpse варто включити до режисерського списку для випробувань завдяки корисному головному питанню: яке візуальне свідчення здатне змінити відповідь? Такий підхід може допомогти в пошуку фрагментів, розмітці подій і перевірці безперервності. Чи працює він стабільно, ще треба перевірити на матеріалі поза презентацією запуску.

Я почав би із завдань, які людині легко перевірити, але нудно повторювати. Художній відбір залишив би монтажеру, а асистента оцінював би за тим, як швидко він повертає до потрібного свідчення. Найцінніший результат може бути скромним: менше впевнених помилок щодо подій у кадрі й менше часу на їх пошук.