Elorian, a Palo Altóban működő mesterséges intelligencia startup, amely indítása előtt 55 millió dolláros seed befektetést gyűjtött 300 millió dolláros értékelés mellett, pénteken adta ki első modelljét, amelyről a TechCrunch kizárólagos információt kapott.
A Glimpse kutatási előnézetként indult: elérhető API-n keresztül, a csevegőfelület viszont jelenleg várólistás, így a bemutatás most elsősorban eredményeket és egy elméleti megközelítést mutat be. A vállalat érve szerint a mai nagy nyelvi és kódkezelő modellek sokat tudnak, de a vizuális látásban még korlátozottak.
A legtöbb multimodális modell egyszer nézi meg a képet, átalakítja tokenekre, majd szövegben érvel róla — mintha emlékezetből írna le egy fotót. Ezzel szemben a Glimpse a forráshoz többször visszatér: a folyamat közben képes egy adott régiót kinagyítani, egy videóból konkrét képkockákat előhívni, vagy kódot futtatni a megfigyelés mérésére és összehasonlítására. Ezt a mechanizmust a cég „visual scratch space”-nek nevezi — hasonló, mint amikor valaki telefonon nagyít rá egy részletre, hogy ellenőrizze, jól látta-e.
Andrew Dai, az Elorian vezérigazgatója és korábbi Google DeepMind kutató szerint a modell korlátai jól érzékelhetők egy társasjáték-est példáján. Tavaly lefotózott egy frissen befejezett társasjátékot, majd megkérdezett egy élvonalbeli modellt, hogy ki vezet: a modell nem tudott választ adni. „A társasjátékoknak megvan a saját vizuális nyelvük, ikonográfiájuk, szimbólumaik,” mondta Dai a TechCrunch-nak. „Egy felnőttnek kevés szöveggel is könnyű megérteni, mi történik, de ezek a modellek nem tudják intuálni a szimbólumok jelentését.” Dai hozzátette: „Az emberek IKEA-szerelési rajzokat is megértenek szöveg nélkül; miért nem képesek erre az AI-modellek?”
A megközelítés nem teljesen új: az OpenAI 2025-ben bevezette a vágás- és nagyítás funkciót az o-sorozatú modelljeiben, de Elorian állítása szerint náluk maga a modell épült köré, és olcsóbban. A cég szerint egy kisebb csapat néhány száz GPU-n képezte a Glimpse-et, és a modell jelentősen kisebb a hasonlított éllovas rendszereknél.
Árazás tekintetében a Glimpse bemeneti tokenenként 0,60 dollárt számol milliónként, és a kimeneti tokenekért 3 dollárt milliónként; ez olcsóbb a középszintű modelleknél, például a Sonnet és Sol esetén, de drágább a könnyített modelleknél, mint a Haiku és Luna.
Elorian saját értékelései szerint a Glimpse felülmúlja még a GPT-6 Astra modellt is tudományos diagramok értelmezésében és rövid videók feliratozásában, miközben más vizuális érvelési feladatokban versenyképes eredményeket ér el.
A cég hat hónappal ezelőtt lépett ki a titkos fejlesztés fázisából egy befektetési körrel, amelyet a Striker Venture Partners, a Menlo Ventures és az Altimeter Capital vezetett; a körben részt vett az Nvidia és Jeff Dean, a Google vezető tudósa is.
Kezdetben elsősorban azoknak a vállalatoknak célozzák a Glimpse-et, amelyek nagy mennyiségű videóval dolgoznak: robotikai cégek, tudományos laborok, média- és kreatív vállalatok. Hosszabb távon az Elorian célja a „seeing to doing” — vagyis a látásból cselekvésre váltás: egy jelenet modelljének felépítése és ennek alapján cselekvés kiválasztása, akár robotok közvetlen irányítása.
Dai elmondása szerint a cég jövőre azon dolgozik, hogy „a világ legjobb vizuális érvelő modelljét” építse, egy olyat, amely minden vizuális érvelési teszten vezető szerepet tölt be.
