A Elorian, startup de inteligência artificial sediada em Palo Alto, lançou seu primeiro modelo, o Glimpse, como uma versão de pesquisa com acesso por meio de uma interface de programação de aplicações e de uma interface de conversação. O modelo se concentra no raciocínio baseado no próprio conteúdo visual, em vez de converter a imagem ou o vídeo uma única vez em tokens e depois trabalhar com ele por meio de uma descrição textual fixa.
A Elorian afirma que, durante o processo de raciocínio, o Glimpse pode retornar várias vezes à fonte visual, recortar uma parte específica da imagem, extrair determinados quadros do vídeo ou executar código para medir e comparar elementos. A empresa chama esse mecanismo de "espaço de rascunho visual", projetado para permitir que o modelo verifique detalhes que podem passar despercebidos na análise inicial.
Da descrição à inspeção recorrente
Andrew Day, CEO da Elorian e ex-pesquisador do Google DeepMind, considera que a incapacidade dos modelos atuais de compreender símbolos e relações visuais aparece até em situações cotidianas. Ele afirmou ter testado um modelo avançado com uma imagem de um jogo de tabuleiro, perguntando qual jogador estava à frente, mas o modelo não conseguiu interpretar visualmente os símbolos e as regras do jogo. Day compara isso à capacidade dos seres humanos de compreender diagramas de montagem de móveis que contêm pouco texto.
A ideia não é totalmente nova; a OpenAI adicionou mecanismos de recorte e ampliação durante a inferência a seus modelos da série o em 2025. Mas a Elorian afirma que o Glimpse foi desenvolvido desde o início em torno dessa abordagem, mantendo um custo de treinamento menor. Segundo a empresa, o modelo foi treinado por uma equipe pequena usando algumas centenas de unidades de processamento gráfico, e seu tamanho também é muito menor que o dos sistemas líderes com os quais foi comparado.
Desempenho e custo
Segundo as avaliações da Elorian, o Glimpse supera o GPT-6 Astra no raciocínio sobre diagramas científicos e na descrição de vídeos curtos, além de alcançar resultados competitivos em outras tarefas de raciocínio visual. Esses resultados vêm das próprias avaliações da empresa, e a fonte não forneceu detalhes independentes sobre os conjuntos de teste ou a metodologia de comparação; portanto, eles, por si só, não são suficientes para comprovar uma superioridade geral sobre todos os modelos.
O Glimpse custa cerca de US$ 0,60 por milhão de tokens de entrada e US$ 3 por milhão de tokens de saída. Isso o coloca, de acordo com a comparação apresentada, em uma posição mais barata que modelos intermediários como Sonnet e Sol, mas mais cara que modelos leves como Haiku e Luna.
O que muda na prática?
Na primeira fase, a Elorian tem como alvo empresas que lidam com grandes volumes de vídeo, incluindo empresas de robótica, laboratórios científicos e organizações de mídia e criação. O valor prático do modelo, caso testes independentes confirmem as alegações da empresa, está em reduzir a dependência da descrição inicial da imagem e permitir uma inspeção mais detalhada de gráficos, símbolos e da sequência de eventos dentro do vídeo.
A Elorian levantou uma rodada inicial de US$ 55 milhões com uma avaliação de US$ 300 milhões antes do lançamento de seu produto. Participaram da rodada a Striker Venture Partners, a Menlo Ventures e a Altimeter Capital, além da Nvidia e de Jeff Dean, cientista-chefe do Google. No longo prazo, a empresa afirma que deseja passar da visão à ação, construindo um modelo da cena e usando-o para escolher uma ação, incluindo o controle direto de robôs. Day também anunciou que a empresa pretende, no próximo ano, construir o "melhor modelo de raciocínio visual do mundo", uma meta ambiciosa que ainda depende de resultados e testes cujos detalhes não foram apresentados integralmente.