Первая модель ИИ от Elorian хочет рассуждать с изображениями, а не только о них

Elorian, стартап из Пало-Альто в сфере ИИ, который привлёк посевной раунд в размере $55 млн при оценке в $300 млн ещё до запуска продукта, в пятницу выпустил свою первую модель, эксклюзивно выяснил TechCrunch.

Модель Glimpse запускается в качестве исследовательской предварительной версии с доступом к API, а интерфейс чата доступен только по списку ожидания, так что пока это таблица результатов и тезис. Тезис? Современные модели ИИ, при всех их способностях работать с языком и кодом, всё ещё по-настоящему не умеют видеть.

Большинство мультимодальных моделей смотрят на изображение один раз, преобразуют его в токены, а затем рассуждают о нём в текстовой форме — словно описывают фотографию по памяти. Glimpse снова и снова обращается к исходному материалу. В процессе рассуждения она может обрезать изображение, чтобы рассмотреть отдельную область, извлечь конкретные кадры из видео или запустить код для измерения либо сравнения того, на что смотрит, — механизм, который Elorian называет «визуальным черновым пространством». Представьте человека, который увеличивает фотографию на телефоне двумя пальцами, чтобы перепроверить то, что, как ему показалось, он увидел.

Для бывшего исследователя Google DeepMind и генерального директора Elorian Эндрю Дая одним из самых очевидных признаков того, что ИИ всё ещё не умеет по-настоящему видеть, стал вечер настольных игр.

В прошлом году он сфотографировал настольную игру, в которую только что сыграл с друзьями, и спросил у передовой модели, кто побеждает. Она не смогла ответить. В настольных играх «у каждой есть собственный визуальный язык, собственная иконография, символы», — рассказал он TechCrunch. «Взрослому довольно легко понять, что происходит, имея минимум текста, но эти модели не способны интуитивно понять, что означают символы».

«Люди могут посмотреть на схемы IKEA без единого слова и собрать мебель IKEA, верно? Почему модели ИИ не могут?» — сказал он.

Этот подход не совсем новый — в 2025 году OpenAI добавила обрезку и увеличение изображения в процессе рассуждения в свои модели серии o, — но Elorian утверждает, что построила всю модель вокруг этого принципa и при этом дёшево. Компания заявляет, что небольшая команда обучила Glimpse на нескольких сотнях графических процессоров, а сама модель значительно меньше передовых систем, с которыми её сравнивают в тестах.

Glimpse стоит $0,60 за миллион входных токенов и $3 за миллион выходных токенов — дешевле моделей среднего уровня, таких как Sonnet и Sol, но дороже облегчённых моделей вроде Haiku и Luna.

Однако, согласно оценкам Elorian, Glimpse превосходит даже GPT-6 Astra в рассуждении по научным графикам и создании подписей к коротким видео, показывая конкурентоспособные результаты и в других задачах на визуальное рассуждение.

Elorian вышла из режима скрытности шесть месяцев назад, объявив о раунде, который совместно возглавили Striker Venture Partners, Menlo Ventures и Altimeter Capital, при участии Nvidia и главного научного сотрудника Google Джеффа Дина.

Изначально компания нацелена на организации, располагающие большими объёмами видео: робототехнические компании, научные лаборатории, медиакомпании и компании творческой индустрии. В долгосрочной перспективе Elorian хочет перейти от зрения к действию. Это означает создание модели сцены и использование её для выбора действия, включая непосредственное управление роботами. В следующем году, по словам Дая, компания намерена создать «лучшую в мире модель визуального рассуждения» — модель, которая будет лидировать во всех тестах на визуальное рассуждение.