Перша модель ШІ від Elorian хоче міркувати із зображеннями, а не лише про них

Elorian, стартап зі штучного інтелекту з Пало-Альто, який залучив посівний раунд на $55 млн за оцінки в $300 млн ще до запуску продукту, у п’ятницю випустив свою першу модель, ексклюзивно дізнався TechCrunch.

Модель Glimpse запускається як дослідницька попередня версія з доступом до API, а чат-інтерфейс доступний лише за списком очікування, тож наразі це таблиця результатів і теза. Теза? Сучасні моделі ШІ, попри всі свої здібності у роботі з мовою та кодом, досі насправді не вміють бачити. 

Більшість мультимодальних моделей переглядають зображення один раз, перетворюють його на токени, а потім міркують про нього в тексті — наче описують фотографію з пам’яті. Glimpse продовжує повертатися до першоджерела. У процесі міркування модель може обрізати зображення до окремої області, витягувати конкретні кадри з відео або запускати код, щоб виміряти чи порівняти те, на що вона дивиться; цей механізм Elorian називає «візуальним чернетковим простором». Уявіть, як хтось збільшує фотографію на телефоні, щоб ще раз перевірити, що саме він побачив.

Для колишнього дослідника Google DeepMind і генерального директора Elorian Ендрю Дая однією з найяскравіших ознак того, що ШІ досі насправді не вміє бачити, став вечір настільних ігор. 

Минулого року він сфотографував настільну гру, у яку щойно зіграв із друзями, і запитав у передової моделі, хто перемагає. Вона не змогла відповісти. У настільних іграх «кожна має власну візуальну мову, власну іконографіку та символи», — розповів він TechCrunch. «Дорослому досить легко зрозуміти, що відбувається, маючи мінімум тексту, але ці моделі не здатні інтуїтивно зрозуміти, що означають символи».

«Люди можуть подивитися на схеми IKEA без жодного тексту й зібрати меблі IKEA, правда? Чому моделі ШІ не можуть?» — сказав він. 

Такий підхід не є цілком новим — OpenAI додала обрізання та масштабування під час міркування до своїх моделей серії o у 2025 році, — але Elorian стверджує, що побудувала всю модель навколо цього підходу й зробила це недорого. Компанія заявляє, що невелика команда навчила Glimpse на кількох сотнях графічних процесорів, а сама модель значно менша за передові системи, з якими її порівнюють у бенчмарках. 

Glimpse коштує $0,60 за мільйон вхідних токенів і $3 за мільйон вихідних токенів — дешевше за моделі середнього рівня, як-от Sonnet і Sol, але дорожче за легкі моделі, як-от Haiku і Luna.

Однак, згідно з оцінюваннями Elorian, Glimpse перевершує навіть GPT-6 Astra у міркуванні за науковими графіками та створенні коротких описів відео, демонструючи конкурентні результати й в інших завданнях, пов’язаних із візуальним міркуванням. 

Elorian вийшла з режиму прихованої розробки шість місяців тому, залучивши інвестиції в раунді, який спільно очолили Striker Venture Partners, Menlo Ventures і Altimeter Capital, за участі Nvidia та головного науковця Google Джеффа Діна.

Першими клієнтами мають стати компанії, які працюють із великими обсягами відео: робототехнічні фірми, наукові лабораторії, медіакомпанії та креативні компанії. У довгостроковій перспективі Elorian хоче перейти від бачення до дії. Це означає створення моделі сцени, за допомогою якої можна обирати дію, зокрема безпосередньо керувати роботами. За словами Дая, наступного року компанія прагне створити «найкращу у світі модель візуального міркування», яка лідируватиме в кожному тесті на візуальне міркування.