Elorian: Glimpse

Elorian: Glimpse は、プロバイダー Elorian のテキストモデルで、api14 にメインカテゴリ text として掲載されています。物理世界における視覚的理解と複雑な視覚的推論のために構築されたマルチモーダル視覚推論モデルと説明されており、別個の記述ステップに頼るのではなく、画像と動画を直接推論します。視覚メディアで何が起きているかを解釈する作業にモデルを選ぶなら、これが Elorian がその役割に向けて位置づけているモデルです。

このモデルは入力としてテキスト、画像、動画を受け取り、テキストを返します。コンテキストウィンドウは 262144 トークン、最大出力は 256000 トークンなので、長い入力と長い生成の両方が同じリクエスト内で可能です。入力側はマルチモーダルである一方、出力側はテキストのみであるため、このモデルは視覚素材を入力して文章の回答を得るタスク、たとえば画像や動画に現れる内容の説明、比較、推論に適しています。

実用的な用途はこの組み合わせから導かれます。動画を送ってその中の出来事の要約を求めたり、一連の画像を送ってそれらを横断する比較を求めたりできます。視覚的質問応答、物理的場面の検査、映像内の空間的または物理的関係についての推論はすべて自然に適合します。大きなコンテキストウィンドウは、作業を多数のリクエストに分割するのではなく、相当量の視覚素材や長い付随テキストを 1 回の呼び出しで提供できることも意味します。

このモデルは api14 の OpenAI 互換 API を通じて、モデル id "elorian/glimpse" を使って呼び出します。サポートされるリクエストパラメータは frequency_penalty、include_reasoning、logit_bias、logprobs、max_tokens、min_p、presence_penalty、reasoning、repetition_penalty、response_format、stop、structured_outputs、temperature、tool_choice、tools、top_k、top_logprobs、top_p です。ツール呼び出しと構造化出力の両方が利用できるため、視覚推論を関数呼び出しやスキーマに制約された応答と組み合わせることができ、reasoning と include_reasoning パラメータによって推論内容を表に出すかどうかを制御できます。

計画する際は出力モダリティを念頭に置いてください。このモデルはテキストを返すため、別の形式で必要なものは下流で生成する必要があります。タスクが純粋にテキストのみで、画像や動画を含まない場合、このモデルの視覚推論への重点は必要以上かもしれませんし、テキスト専用モデルのほうがより単純に適合する可能性があります。画像や動画で見えるものの理解を中心とする作業には、ここで利用可能なモデルの中では Glimpse が適切な選択です。