Elorian izlaiž Glimpse – mākslīgā intelekta modeli, kas aktīvi izprot attēlus

Attēls: TechCrunch · Avots

Elorian jaunais mākslīgā intelekta modelis Glimpse uzlabo vizuālo izpratni, interaktīvi atkļūdot attēlus analīzes gaitā, pārspējot GPT-6 Astra galvenajos vizuālajos uzdevumos.

Elorian, Palo Alto bāzēts mākslīgā intelekta jaunuzņēmums, ir izlaidis savu pirmo AI modeli ar nosaukumu Glimpse, kas radīts, lai paplašinātu vizuālās izpratnes spējas, pārsniedzot statiskas aprakstīšanas līmeni. Modelis tika prezentēts kā pētniecības priekšskatījums ar API piekļuvi un čata saskarni, kas pieejama pēc gaidīšanas saraksta, un tā mērķis ir risināt pašreizējās problēmas, kā AI modeļi apstrādā attēlus.

Atšķirībā no esošajiem multimodāliem AI, kas apstrādā attēlus vienu reizi un tad izsecina par tiem tekstuāli, Glimpse dinamiskā veidā atgriežas pie sākotnējām vizualizācijām analīzes laikā. Tas var izgriezt konkrētas apgabala daļas, iegūt atsevišķas video kadru, vai veikt mērījumus analīzes vidū – izmantojot tā saukto "vizuālo piezīmju telpu". Šī mehānisma principu var salīdzināt ar cilvēka tendenci vairākas reizes palielināt attēlu, lai pārbaudītu savas novērošanas.

Elorian izpilddirektors un kādreizējais Google DeepMind pētnieks Endrjū Dai norāda, ka AI modeļiem ir grūtības interpretēt kompleksos vizuālos simbolus un ikonogrāfiju, kas sastopama tādās jomās kā galda spēles vai IKEA instrukcijas, kuras cilvēki viegli saprot arī bez teksta. Šis trūkums iedvesmoja Glimpse izstrādi.

Lai gan līdzīgas interaktīvas attēlu apstrādes iespējas ieviesa OpenAI 2025. gada o-sērijas modeļos, Elorian apgalvo, ka Glimpse ir būvēts no pamatiem šo spēju apguvei, apmācīts efektīvi simtiem GPU, ar ievērojami mazāku modeļa izmēru salīdzinājumā ar vadošajām sistēmām.

Attiecībā uz izmaksām Glimpse iekasē 0,60 USD par miljonu ievadīto tokenu un 3 USD par miljonu izejošo tokenu, padarot to pieejamāku nekā daži vidējās klases modeļi, taču dārgāku nekā vieglie risinājumi.

Elorian novērtējumi rāda, ka Glimpse pārspēj GPT-6 Astra zinātnisko diagrammu izpratnē un īso video parakstīšanā, vienlaikus saglabājot konkurētspēju citos vizuālās izpratnes uzdevumos.

Uzņēmums, kas izgāja no slepenības pirms sešiem mēnešiem pēc 55 miljonu dolāru piesaistes 300 miljonu dolāru novērtējumā, investoros ietver tādus kā Nvidia un Google galveno zinātnieku Džefu Dinu. Sākotnēji Elorian plāno koncentrēties uz nozarēm, kas bagātas ar video datiem, piemēram, robotikā, zinātniskajos pētījumos, medijos un radošajās jomās.

Nākotnē Elorian plāno attīstīt Glimpse no vizuālās izpratnes uz rīcību, radot modeļus, kas ne tikai redz, bet arī pieņem lēmumus un vada fiziskos aģentus kā robotus. Izpilddirektors plāno radīt "pasaules labāko vizuālās izpratnes modeli" nākamajā gadā, lai vadītu visus vizuālās izpratnes rādītājus.