Elorian wprowadza Glimpse, model AI zdolny do aktywnego rozumowania z obrazami

Image: TechCrunch · Source

Nowy model AI Elorian, Glimpse, rozwija wizualne rozumowanie przez interaktywne ponowne analizowanie obrazów, przewyższając GPT-6 Astra w kluczowych zadaniach wizualnych.

Elorian, startup AI z Palo Alto, wypuścił swój pierwszy model AI o nazwie Glimpse, zaprojektowany, aby poszerzyć możliwości rozumienia wizualnego poza statyczny opis. Udostępniony jako wersja badawcza z dostępem do API i interfejsem czatu opartym na liście oczekujących, Glimpse ma na celu rozwiązanie obecnych ograniczeń w przetwarzaniu obrazów przez modele AI.

W przeciwieństwie do istniejących multimodalnych modeli AI, które przetwarzają obraz jednokrotnie i następnie rozumują o nim tekstowo, Glimpse dynamicznie wraca do źródłowych wizualizacji w trakcie rozumowania. Może wycinać konkretne regiony, wyodrębniać pojedyncze klatki wideo lub dokonywać pomiarów w trakcie analizy — korzystając z tego, co Elorian nazywa „wizualną przestrzenią roboczą” (visual scratch space). Mechanizm ten jest podobny do sposobu, w jaki człowiek może wielokrotnie przybliżać zdjęcie, aby zweryfikować swoje obserwacje.

Andrew Dai, CEO Elorian i były badacz w Google DeepMind, zwraca uwagę, że modele AI mają trudności z interpretacją złożonych symboli wizualnych i ikonografii spotykanych np. w grach planszowych czy instrukcjach IKEA, które ludzie łatwo rozumieją bez tekstu. Ta luka była inspiracją dla podejścia Glimpse.

Chociaż podobne interaktywne przetwarzanie obrazów zostało wprowadzone przez OpenAI w modelach serii o w 2025 roku, Elorian twierdzi, że stworzył Glimpse od podstaw wokół tej funkcjonalności, szkoląc go efektywnie na setkach GPU przy znacznie mniejszym rozmiarze modelu w porównaniu z czołowymi systemami.

Pod względem kosztów, Glimpse pobiera opłatę 0,60 USD za milion tokenów wejściowych oraz 3 USD za milion tokenów wyjściowych, co czyni go tańszym niż niektóre modele średniego segmentu, ale droższym niż lekkie alternatywy.

Oceny Elorian wskazują, że Glimpse przewyższa GPT-6 Astra w interpretacji wykresów naukowych i opisywaniu krótkich form wideo, pozostając konkurencyjnym w innych zadaniach wizualnego rozumowania.

Firma, która ukazała się szerszej publiczności przed sześcioma miesiącami po zebraniu 55 milionów dolarów przy wycenie 300 milionów dolarów, ma wśród inwestorów takie podmioty jak Nvidia i główny naukowiec Google, Jeff Dean. Początkowo Elorian planuje skupić się na branżach bogatych w dane wideo, takich jak robotyka, badania naukowe, media i sektory kreatywne.

W perspektywie czasu, Elorian zamierza rozwinąć Glimpse od rozumienia wizualnego do działania, tworząc modele, które nie tylko widzą, ale także podejmują decyzje i kontrolują fizycznych agentów, takich jak roboty. Dyrektor generalny przewiduje stworzenie "najlepszego na świecie modelu rozumowania wizualnego" do przyszłego roku, który będzie liderem we wszystkich benchmarkach wizualnego rozumowania.