Стартап Elorian, що базується у Пало-Альто і залучив $55 млн початкового фінансування за оцінки в $300 млн до запуску продукту, представив свою першу модель у п’ятницю. Про це стало відомо з ексклюзивних джерел.
Модель під назвою Glimpse запускається як дослідницький попередній перегляд з доступом через API та інтерфейсом чату. Основна ідея полягає в тому, що сучасні моделі ШІ, попри їхні здібності до роботи з мовою та кодом, досі не вміють по-справжньому «бачити».
Більшість мультимодальних моделей переглядають зображення один раз, перетворюють його на токени, а потім аналізують у текстовому форматі — подібно до опису фотографії зі спогадів. Glimpse постійно повертається до джерела. Під час аналізу вона може обрізати певну ділянку, витягувати окремі кадри з відео або запускати код для вимірювання чи порівняння того, що бачить. Elorian називає цей механізм «візуальним робочим простором». Це схоже на те, як людина масштабує фото на телефоні, щоб перевірити, чи правильно вона щось побачила.
Для колишнього дослідника Google DeepMind та CEO Elorian Ендрю Дая одним із найчіткіших доказів того, що ШІ ще не може по-справжньому бачити, стала ігрова вечірка.
Минулого року він сфотографував настільну гру, яку щойно завершив грати з друзями, і запитав у передової моделі, хто перемагає. Вона не змогла відповісти. «Кожна настільна гра має свою візуальну мову, свою іконографію, символи», — розповів він. «Для дорослої людини досить легко зрозуміти, що відбувається, з мінімальним текстом, але ці моделі не здатні інтуїтивно розуміти значення символів».
«Люди можуть дивитися на інструкції Ikea без тексту та збирати меблі, чи не так? Чому моделі ШІ не можуть?» — запитав він.
Цей підхід не є абсолютно новим — OpenAI додала функцію обрізання та масштабування під час аналізу до своїх моделей серії «o» у 2025 році. Однак Elorian стверджує, що вони побудували всю модель навколо цього, зробивши її недорогою. Компанія повідомляє, що невелика команда навчила Glimpse на кількох сотнях GPU, і що модель значно менша за передові системи, з якими її порівнюють.
Вартість Glimpse становить $0,60 за мільйон вхідних токенів і $3 за мільйон вихідних токенів. Це дешевше, ніж моделі середнього рівня, як-от Sonnet і Sol, але дорожче, ніж легковагові моделі, як-от Haiku і Luna.
Проте, згідно з оцінками Elorian, Glimpse перевершує навіть GPT-6 Astra у розпізнаванні наукових діаграм та створенні коротких відеоописів, демонструючи конкурентоспроможні результати й в інших завданнях візуального аналізу.
Elorian вийшов зі стану «невидимості» шість місяців тому, залучивши раунд фінансування під керівництвом Striker Venture Partners, Menlo Ventures та Altimeter Capital, з участю Nvidia та головного наукового співробітника Google Джеффа Діна.
Першочерговими клієнтами є компанії, які мають великі обсяги відеоданих: роботизовані фірми, наукові лабораторії, медіа- та креативні компанії. У довгостроковій перспективі Elorian прагне перейти від «бачити» до «робити». Це означає створення моделі сцени для вибору дії, зокрема прямого керування роботами. Наступного року, за словами Дая, компанія має намір створити «найкращу у світі модель візуального аналізу», яка покаже найкращі результати у всіх тестах з візуального аналізу.
За матеріалами: techcrunch.com