Glimpse：再看一眼的成本

2026年10月16日，Elorian 發布了研究預覽版 Glimpse，稱其能在推理過程中重新檢查視覺證據。Elorian 官方公告

這讓一個實際問題更值得討論：採購方應當要求「再看一眼」交付什麼？延長檢查可能消耗資源，卻沒有解決真正關鍵的不確定性。因此，值得衡量的商業單位是通過驗收的任務，而非令人印象深刻的一串中間影像。

分析：建立檢查紀錄

Open Market Notes 提議採用一種簡單的評估工具：檢查紀錄。這是本文提出的測試設計，並非已經確認的 Glimpse 功能。每次增加觀察，都記錄初始答案、尚未解決的問題、所要求的原始畫面區域或時間區間、修改後的答案，以及獨立參考答案是否支持這次修改。同時保留原始媒體。

設想一段輸送帶影片，畫面中有兩個相似包裹。一個消失在隔板後，另一個進入畫面。審核者要判斷離開的包裹是否就是先前進入的那個。分別描述清楚兩個可見紙箱，並不能證明遮擋期間它們的身分連續性。紀錄應當區分連續性的證據與基於外觀的猜測。「無法根據這些畫面判斷」必須是可以接受的結果。

相關評估問題已有研究基礎。HallusionBench 考察語言幻覺與視覺錯覺；POPE 檢測物體幻覺。這兩篇論文都不能證明新模型的表現。HallusionBench 論文、POPE 論文

分別衡量糾錯與退步

在上述包裹測試中，可將配對的影片隨機分配給固定檢查額度與自適應額度兩組。保持問題措辭和評分規則一致。記錄從正確改成錯誤的次數時，應當與記錄從錯誤改成正確同樣認真。單一的淨準確率可能掩蓋一種情況：系統修正了許多容易的錯誤，同時引入數量較少、代價卻更高的身分判斷錯誤。

還應加入明確缺少證據的條件：刪除唯一能證明連續性的區間。如果系統仍自信地給出身分判斷，額外檢查並沒有找回輸入中不存在的資訊。另一種條件可以重複完全相同的畫面，用來檢驗系統是否把額外運算誤當成額外證據。這些是擬議實驗，並非我們已經完成的測試結果。

可見紀錄應當幫助審核者找到相關原始材料，不應被視為對內部運算的完整解釋。條理清楚的步驟仍可能伴隨錯誤結論。應根據原始媒體審核主張，而不是獎勵步驟看起來多麼有說服力。

核算完整工作流程

採購前，應將人工審核時間、重試時間和未解決案例與模型費用一併統計。測試前先定義驗收條件，例如：附有支撐區間的包裹身分判斷，或者在該區間不存在時明確升級處理。兩者都是可以成立的工作流程結果，卻不是可以混為一談的模型成功。

檢查額度應隨錯誤後果調整。普通素材歸檔可以採用與批准貨物放行不同的門檻。後一種情況下，無法確認的身分應交給人工處理，而不是悄然轉化為操作指令。這是部署建議，並非對任何客戶實際系統的描述。

Glimpse 讓採購方有理由及時提出這些問題，但本文並未獨立驗證其能力。上述紀錄的價值，恰在於它可能給出不討喜的答案：再看一次可能有幫助，可能毫無改變，也可能把正確答案改錯。在慶祝模型能夠再看一眼之前，採購決策應當區分這三種情況。