شركة Elorian تطلق نموذج Glimpse للاستدلال البصري المتكرر على الصور والفيديو

أطلقت شركة Elorian، الناشئة في مجال الذكاء الاصطناعي ومقرها بالو ألتو، أول نماذجها، Glimpse، بوصفه نسخة بحثية مع إمكانية الوصول عبر واجهة برمجة التطبيقات وواجهة محادثة. ويركز النموذج على الاستدلال بالاعتماد على المحتوى البصري نفسه، بدلاً من تحويل الصورة أو الفيديو مرة واحدة إلى رموز ثم التعامل معه عبر وصف نصي ثابت.

تقول Elorian إن Glimpse يستطيع أثناء عملية التفكير العودة إلى المصدر البصري أكثر من مرة، واقتصاص جزء محدد من الصورة، واستخراج إطارات بعينها من الفيديو، أو تشغيل تعليمات برمجية لقياس العناصر ومقارنتها. وتسمي الشركة هذه الآلية "مساحة مسودة بصرية"، وهي مصممة لتسمح للنموذج بالتحقق من التفاصيل التي قد يفوّتها التحليل الأولي.

من الوصف إلى الفحص المتكرر

يرى أندرو داي، الرئيس التنفيذي لـElorian والباحث السابق في Google DeepMind، أن عجز النماذج الحالية عن فهم الرموز والعلاقات البصرية يظهر حتى في مواقف يومية. وذكر أنه اختبر نموذجاً متقدماً عبر صورة للعبة لوحية ليسأله عن اللاعب المتقدم، لكنه لم يتمكن من تفسير الرموز وقواعد اللعبة بصرياً. ويقارن داي ذلك بقدرة البشر على فهم مخططات تركيب الأثاث التي لا تحتوي على نصوص كثيرة.

الفكرة ليست جديدة بالكامل؛ فقد أضافت OpenAI آلية الاقتصاص والتكبير أثناء الاستدلال إلى نماذجها من سلسلة o في عام 2025. لكن Elorian تقول إن Glimpse بُني حول هذا الأسلوب من الأساس، مع الحفاظ على تكلفة تدريب أقل. ووفق الشركة، دُرّب النموذج بواسطة فريق صغير باستخدام بضع مئات من وحدات معالجة الرسومات، كما أن حجمه أصغر بكثير من الأنظمة الرائدة التي قورن بها.

الأداء والتكلفة

بحسب تقييمات Elorian، يتفوق Glimpse على GPT-6 Astra في استدلال المخططات العلمية ووصف مقاطع الفيديو القصيرة، ويحقق نتائج تنافسية في مهام أخرى للاستدلال البصري. هذه النتائج صادرة عن تقييمات الشركة نفسها، ولم يورد المصدر تفاصيل مستقلة عن مجموعات الاختبار أو منهجية المقارنة، لذلك لا تكفي وحدها لإثبات تفوق عام على جميع النماذج.

تبلغ تكلفة Glimpse نحو 0.60 دولار لكل مليون رمز إدخال و3 دولارات لكل مليون رمز إخراج. ويضعه ذلك، وفق المقارنة الواردة، في موقع أرخص من نماذج متوسطة مثل Sonnet وSol، لكنه أغلى من نماذج خفيفة مثل Haiku وLuna.

ما الذي يتغير عملياً؟

تستهدف Elorian في المرحلة الأولى الشركات التي تتعامل مع كميات كبيرة من الفيديو، بما في ذلك شركات الروبوتات والمختبرات العلمية والمؤسسات الإعلامية والإبداعية. القيمة العملية للنموذج، إذا أثبتت الاختبارات المستقلة ادعاءات الشركة، تتمثل في تقليل الاعتماد على الوصف الأولي للصورة وإتاحة فحص أكثر تفصيلاً للرسوم والرموز وتسلسل الأحداث داخل الفيديو.

جمعت Elorian جولة تأسيسية بقيمة 55 مليون دولار عند تقييم بلغ 300 مليون دولار قبل إطلاق منتجها، وشارك في الجولة Striker Venture Partners وMenlo Ventures وAltimeter Capital، إلى جانب Nvidia وجيف دين، كبير العلماء في Google. وعلى المدى الأطول، تقول الشركة إنها تريد الانتقال من الرؤية إلى الفعل، عبر بناء نموذج للمشهد واستخدامه لاختيار إجراء، بما في ذلك التحكم المباشر في الروبوتات. كما أعلن داي أن الشركة تستهدف في العام المقبل بناء "أفضل نموذج للاستدلال البصري في العالم"، وهو هدف طموح لا يزال رهناً بنتائج واختبارات لم تُعرض تفاصيلها كاملة.