Elorian pristato Glimpse – dirbtinio intelekto modelį, gebantį aktyviai mąstyti apie vaizdus

Vaizdas: TechCrunch · Šaltinis

Elorian naujasis dirbtinio intelekto modelis Glimpse pažengė vaizdinio mąstymo srityje, interaktyviai peržiūrėdamas vaizdus analizės metu ir pranokdamas GPT-6 Astra pagrindinėse vizualiųjų užduočių srityse.

Elorian, Palo Alto įsikūrusi dirbtinio intelekto startuolis, išleido pirmąjį savo DI modelį pavadinimu Glimpse, sukurtą siekiant pažengti vaizdinio supratimo gebėjimuose ir viršyti statišką aprašymą. Tai yra mokslinių tyrimų peržiūra su API prieiga ir laukimo sąrašu pagrįsta pokalbių sąsaja, skirta spręsti esamus apribojimus, kaip DI modeliai apdoroja vaizdus.

Skirtingai nuo egzistuojančių daugialypio modality DI, kuris apdoroja vaizdus vieną kartą ir tada mąsto apie juos tekstu, Glimpse dinamiškai grįžta prie pradinio vaizdo analizuojant. Jis gali apkarpyti specifines sritis, išskirti atskirus vaizdo kadrus arba atlikti matavimus analizės metu – naudodamas tai, ką Elorian vadina „vaizdiniu braižymo paviršiumi“. Šis mechanizmas primena, kaip žmogus gali kelis kartus artinti nuotrauką, kad patikrintų savo stebėjimus.

Andrew Dai, Elorian generalinis direktorius ir buvęs Google DeepMind tyrėjas, pažymi, kad DI modeliams sunku interpretuoti sudėtingus vizualinius simbolius ir ikonografiją, randamą, pavyzdžiui, lento žaidimuose ar IKEA schemose, kuriuos žmonės lengvai supranta be teksto. Ši spraga įkvėpė Glimpse požiūrį.

Nors panašus interaktyvus vaizdų apdorojimas buvo pristatytas OpenAI 2025 metų o-serijos modeliuose, Elorian teigia, kad Glimpse buvo sukurtas nuo pat pradžių remiantis šia galimybe, efektyviai treniruojant šimtus GPU ir naudojant ženkliai mažesnį modelio dydį nei pirmaujančios sistemos.

Kalbant apie kainodarą, Glimpse ima $0,60 už milijoną įvesties simbolių ir $3 už milijoną išvesties simbolių, todėl jis yra prieinamesnis nei kai kurie vidutinio lygio modeliai, bet brangesnis už lengvesnius variantus.

Elorian vertinimai rodo, kad Glimpse pranoksta GPT-6 Astra mokslo diagramų interpretavime ir trumpų video antraščių kūrime, tuo pačiu išlaikydamas konkurencingumą kitose vizualiųjų užduočių srityse.

Ši kompanija, nutraukusi slaptumą prieš šešis mėnesius po 55 mln. USD investicijų pritraukimo ir vertinimo 300 mln. USD, turi tokius investuotojus kaip Nvidia ir Google vyriausiasis mokslininkas Jeff Dean. Iš pradžių Elorian planuoja orientuotis į pramonės šakas, turtingas vaizdo duomenimis, kaip robotika, moksliniai tyrimai, žiniasklaida ir kūrybinės sritys.

Žvelgiant į ateitį, Elorian siekia plėtoti Glimpse nuo vaizdų supratimo prie veiksmų, kuriant modelius, kurie ne tik mato, bet ir priima sprendimus bei valdo fizinius agentus kaip robotus. Generalinis direktorius įsivaizduoja sukurti „geriausią pasaulyje vizualinio mąstymo modelį“ jau kitais metais, kad lyderiautų visuose vizualinio mąstymo etalonuose.