Elorian مدل Glimpse را راه‌اندازی کرد، مدلی که در حین استدلال تصاویر را دوباره بررسی می‌کند

Elorian، یک استارتاپ هوش مصنوعی مستقر در پالو آلتو که توسط اندرو دای، محقق پیشین Google DeepMind، تأسیس شده، در ۱۶ اکتبر ۲۰۲۶ اولین مدل خود را راه‌اندازی کرد. Glimpse اکنون به‌عنوان یک پیش‌نمایش تحقیقاتی با دسترسی API در دسترس است؛ یک رابط گفتگو همچنان فقط با لیست انتظار قابل دسترسی است.

اکثر مدل‌های هوش مصنوعی چندوجهی یک‌بار به تصویر نگاه می‌کنند، آنچه می‌بینند را به توکن‌های شبه‌متنی تبدیل می‌کنند، و سپس کاملاً در آن فضای متنی استدلال می‌کنند — به این معنا که جزئیات بینایی دقیقی که وارد تبدیل اولیه نشده برای بقیه کار صرفاً ناپدید می‌شود. در عوض، Glimpse بارها در حین استدلال به تصویر اصلی بازمی‌گردد: می‌تواند مناطق خاصی را برش دهد، فریم‌های تکی را از ویدیو بیرون بکشد، یا کد اجرا کند تا آنچه به آن نگاه می‌کند را اندازه‌گیری یا مقایسه کند. Elorian این را «فضای تمرینی بینایی» می‌نامد. ایده زیربنایی به‌طور کامل جدید نیست — OpenAI قابلیت برش‌وزوم را به مدل‌های سری o خود در سال ۲۰۲۵ اضافه کرد — اما Elorian این مدل را از ابتدا حول این تکنیک ساخته به‌جای اضافه‌کردن آن به یک معماری موجود.

این مدل توسط یک تیم کوچک روی چند صد GPU آموزش دیده و به‌طور قابل‌توجهی کوچک‌تر از سیستم‌های پیشرفته‌ای است که با آن‌ها مقایسه می‌شود، که در قیمت‌گذاری آن مشخص است: ۰.۶۰ دلار به ازای هر میلیون توکن ورودی و ۳ دلار به ازای هر میلیون توکن خروجی، که آن را بالاتر از مدل‌های سبک اما پایین‌تر از مدل‌های میان‌رده قرار می‌دهد. بر اساس بنچمارک‌های خود Elorian، Glimpse در استدلال نمودار علمی و زیرنویس‌گذاری ویدیوی کوتاه از GPT-6 Astra بهتر عمل می‌کند و در سایر وظایف استدلال بینایی رقابتی است — ارقامی که، به‌عنوان نتایج گزارش‌شده توسط شرکت، نیاز به تأیید مستقل پیش از قطعی پذیرفته‌شدن دارند.

Elorian شش ماه پیش از حالت استیلث خارج شد و پیش از عرضه محصول، یک دور بذر ۵۵ میلیون دلاری با ارزش‌گذاری ۳۰۰ میلیون دلار جمع‌آوری کرد، که به‌طور مشترک توسط Striker Venture Partners، Menlo Ventures و Altimeter Capital هدایت شد، با مشارکت Nvidia و دانشمند ارشد گوگل Jeff Dean — نشانه‌ای قابل‌توجه از اعتماد از افرادی با دید مستقیم به تحقیقات هوش مصنوعی پیشرفته. دای استدلال کرده که مدل‌های فعلی، باوجود توانایی قوی زبانی و کدنویسی، همچنان با کارهایی که انسان‌ها آن‌ها را بی‌اهمیت می‌دانند دست‌وپنجه نرم می‌کنند، مانند خواندن نمادها روی یک بازی رومیزی یا مونتاژ مبلمان از یک نمودار بدون متن همراه.

Elorian ابتدا شرکت‌های رباتیک، آزمایشگاه‌های علمی و شرکت‌های رسانه‌ای که با حجم زیادی از ویدیو کار می‌کنند را هدف قرار داده، و می‌گوید آرزوی بلندمدت آن حرکت از ادراک غیرفعال به کنترل سیستم‌های فیزیکی مانند ربات‌ها است، با هدف ساختن آنچه بهترین مدل استدلال بینایی در این حوزه می‌نامد ظرف یک سال، آن‌طور که TechCrunch اولین بار گزارش داد.