Glimpse：再看一眼的成本

2026年10月16日，Elorian 发布了研究预览版 Glimpse，称其能在推理过程中重新检查视觉证据。Elorian 官方公告

这让一个实际问题更值得讨论：采购方应当要求“再看一眼”交付什么？延长检查可能消耗资源，却没有解决真正关键的不确定性。因此，值得衡量的商业单位是通过验收的任务，而非令人印象深刻的一串中间图像。

分析：建立检查记录

Open Market Notes 提议采用一种简单的评估工具：检查记录。这是本文提出的测试设计，并非已经确认的 Glimpse 功能。每次增加观察，都记录初始答案、尚未解决的问题、所请求的原始画面区域或时间区间、修改后的答案，以及独立参考答案是否支持这次修改。同时保留原始媒体。

设想一段传送带视频，画面中有两个相似包裹。一个消失在隔板后，另一个进入画面。审核者要判断离开的包裹是否就是先前进入的那个。分别描述清楚两个可见纸箱，并不能证明遮挡期间它们的身份连续性。记录应当区分连续性的证据与基于外观的猜测。“无法根据这些画面判断”必须是可以接受的结果。

相关评估问题已有研究基础。HallusionBench 考察语言幻觉与视觉错觉；POPE 检测物体幻觉。这两篇论文都不能证明新模型的表现。HallusionBench 论文、POPE 论文

分别衡量纠错与退步

在上述包裹测试中，可将匹配的视频随机分配给固定检查额度与自适应额度两组。保持问题措辞和评分规则一致。记录从正确改成错误的次数时，应当与记录从错误改成正确同样认真。单一的净准确率可能掩盖一种情况：系统修正了许多容易的错误，同时引入数量较少、代价却更高的身份判断错误。

还应加入明确缺少证据的条件：删除唯一能证明连续性的区间。如果系统仍自信地给出身份判断，额外检查并没有找回输入中不存在的信息。另一种条件可以重复完全相同的画面，用来检验系统是否把额外计算误当成额外证据。这些是拟议实验，并非我们已经完成的测试结果。

可见记录应当帮助审核者找到相关原始材料，不应被视为对内部计算的完整解释。条理清楚的步骤仍可能伴随错误结论。应根据原始媒体审核主张，而不是奖励步骤看起来多么有说服力。

核算完整工作流程

采购前，应将人工审核时间、重试时间和未解决案例与模型费用一并统计。测试前先定义验收条件，例如：附有支撑区间的包裹身份判断，或者在该区间不存在时明确升级处理。两者都是可以成立的工作流程结果，却不是可以混为一谈的模型成功。

检查额度应随错误后果调整。普通素材归档可以采用与批准货物放行不同的门槛。后一种情况下，无法确认的身份应交给人工处理，而不是悄然转化为操作指令。这是部署建议，并非对任何客户实际系统的描述。

Glimpse 让采购方有理由及时提出这些问题，但本文并未独立验证其能力。上述记录的价值，恰在于它可能给出不讨喜的答案：再看一次可能有帮助，可能毫无改变，也可能把正确答案改错。在庆祝模型能够再看一眼之前，采购决策应当区分这三种情况。