Elorian stellt Glimpse vor, ein KI-Modell, das aktiv mit Bildern schlussfolgert

Image: TechCrunch · Source

Elorians neues KI-Modell Glimpse verbessert das visuelle Schlussfolgern, indem es Bilder während der Analyse interaktiv erneut betrachtet und dabei GPT-6 Astra bei wichtigen visuellen Aufgaben übertrifft.

Elorian, ein KI-Startup mit Sitz in Palo Alto, hat sein erstes KI-Modell namens Glimpse veröffentlicht, das darauf abzielt, die Fähigkeit des visuellen Verstehens über statische Beschreibungen hinaus zu erweitern. Als Forschungsvorschau mit API-Zugang und einem Chat-Interface basierend auf einer Warteliste gestartet, soll Glimpse aktuelle Einschränkungen in der Art und Weise, wie KI-Modelle Bilder verarbeiten, überwinden.

Im Gegensatz zu bestehenden multimodalen KI-Systemen, die Bilder einmal verarbeiten und anschließend textuell darüber schlussfolgern, besucht Glimpse die Ausgangsbilder während des Schlussfolgerungsprozesses dynamisch erneut. Es kann spezifische Bereiche zuschneiden, einzelne Videoframes extrahieren oder während der Analyse Messungen durchführen – mithilfe eines sogenannten „visuellen Arbeitsbereichs“, so Elorian. Dieser Mechanismus ähnelt dem Vorgehen eines Menschen, der wiederholt in ein Foto zoomt, um seine Beobachtungen zu überprüfen.

Andrew Dai, CEO von Elorian und ehemaliger Forscher bei Google DeepMind, weist darauf hin, dass KI-Modelle Schwierigkeiten haben, komplexe visuelle Symbole und Ikonographie zu interpretieren, wie sie etwa in Brettspielen oder IKEA-Diagrammen vorkommen und die Menschen ohne Text leicht verstehen. Diese Lücke inspirierte die Herangehensweise von Glimpse.

Obwohl OpenAI interaktive Bildverarbeitung bereits in seinen o-Serie-Modellen von 2025 einführte, behauptet Elorian, Glimpse von Grund auf um diese Fähigkeit herum entwickelt und effizient auf Hunderten von GPUs mit deutlich kleinerer Modellgröße im Vergleich zu führenden Systemen trainiert zu haben.

Bezüglich der Kosten verlangt Glimpse 0,60 $ pro Million Tokens Eingabe und 3 $ pro Million Tokens Ausgabe, wodurch es günstiger als einige Modelle der Mittelklasse, aber teurer als leichte Alternativen ist.

Elorians Bewertungen zeigen, dass Glimpse GPT-6 Astra bei der Interpretation wissenschaftlicher Diagramme und beim Kurzvideo-Untertiteln übertrifft, während es bei anderen visuellen Schlussfolgerungsaufgaben konkurrenzfähig bleibt.

Das Unternehmen, das vor sechs Monaten aus der Deckung kam und 55 Millionen Dollar bei einer Bewertung von 300 Millionen Dollar eingesammelt hat, zählt Investoren wie Nvidia und den leitenden Wissenschaftler von Google, Jeff Dean, zu seinen Unterstützern. Anfangs plant Elorian, sich auf Branchen mit reichhaltigen Videodaten wie Robotik, wissenschaftliche Forschung, Medien und kreative Bereiche zu konzentrieren.

Mit Blick auf die Zukunft möchte Elorian Glimpse von der visuellen Wahrnehmung zur Handlung weiterentwickeln, Modelle bauen, die nicht nur sehen, sondern auch Entscheidungen treffen und physische Agenten wie Roboter steuern. Der CEO stellt sich vor, bis zum nächsten Jahr „das weltweit beste Modell für visuelles Schlussfolgern“ zu schaffen und in allen visuellen Reasoning-Benchmarks führend zu sein.