Първият ИИ модел на Elorian иска да разсъждава с изображения, а не само за тях

Elorian, базираният в Пало Алто стартъп за изкуствен интелект, който набра начален рунд от 55 милиона долара при оценка от 300 милиона долара, преди да пусне продукт, представи първия си модел в петък, научи ексклузивно TechCrunch.

Моделът, Glimpse, стартира като предварителна изследователска версия с достъп до API, а чат интерфейсът е достъпен само чрез списък с чакащи, така че засега разполагаме с таблица с резултати и теза. Тезата? Днешните модели с изкуствен интелект, независимо от уменията си за работа с език и код, все още не могат наистина да виждат. 

Повечето мултимодални модели разглеждат дадено изображение веднъж, преобразуват го в токени и след това разсъждават върху него чрез текст — все едно описват снимка по памет. Glimpse постоянно се връща към източника. По време на разсъждението той може да изреже определена област, да извлече конкретни кадри от видео или да изпълни код, за да измери или сравни това, което разглежда — механизъм, който Elorian нарича „визуално пространство за чернови“. Представете си човек, който разтяга с пръсти снимка на телефона си, за да провери още веднъж какво е видял.

За бившия изследовател в Google DeepMind и главен изпълнителен директор на Elorian Андрю Дай един от най-ясните признаци, че изкуственият интелект все още не може наистина да вижда, се появил по време на вечер на настолни игри. 

Миналата година той снимал настолна игра, която току-що бил завършил с приятели, и попитал водещ модел кой печели. Моделът не успял да отговори. Настолните игри „всяка имат собствен визуален език, собствена иконография и символи“, каза той пред TechCrunch. „За един възрастен е доста лесно да разбере какво се случва с минимално количество текст, но тези модели не са способни интуитивно да разберат какво означават символите.“

„Хората могат да погледнат диаграми на IKEA без никакъв текст и да сглобят мебели на IKEA, нали? Защо моделите с изкуствен интелект не могат?“ каза той. 

Подходът не е напълно нов — през 2025 г. OpenAI добави изрязване и мащабиране по време на разсъждение към моделите си от серията o — но Elorian твърди, че е изградил целия модел около тази възможност и то евтино. Компанията заявява, че малък екип е обучил Glimpse с няколкостотин графични процесора и че моделът е значително по-малък от водещите системи, с които е сравняван. 

Glimpse струва 0,60 долара на милион входни токени и 3 долара на милион изходни токени — по-евтино от модели от среден клас като Sonnet и Sol, но по-скъпо от олекотени модели като Haiku и Luna.

Според оценките на Elorian обаче Glimpse превъзхожда дори GPT-6 Astra при разсъждения върху научни графики и надписване на кратки видеоклипове, като постига конкурентни резултати и при други задачи, свързани с визуално разсъждение. 

Elorian излезе от режим на секретност преди шест месеца с рунд, съвместно ръководен от Striker Venture Partners, Menlo Ventures и Altimeter Capital, с участието на Nvidia и главния научен директор на Google Джеф Дийн.

Първоначалните целеви клиенти са компании, които разполагат с големи обеми видео: роботиката, научни лаборатории, медийни и творчески компании. В по-дългосрочен план Elorian иска да премине от виждане към действие. Това означава изграждане на модел на дадена сцена и използването му за избор на действие, включително пряк контрол над роботи. Дай заяви, че през следващата година компанията има за цел да изгради „най-добрия в света модел за визуално разсъждение“ — модел, който да води във всеки тест за визуално разсъждение.