Компания Elorian, стартап в сфере искусственного интеллекта со штаб-квартирой в Пало-Альто, запустила свою первую модель — Glimpse — в качестве исследовательской версии с доступом через API и чат-интерфейс. Модель ориентирована на рассуждение непосредственно на основе визуального содержимого, а не на однократное преобразование изображения или видео в токены с последующей обработкой посредством фиксированного текстового описания.
Elorian утверждает, что во время процесса рассуждения Glimpse может неоднократно возвращаться к визуальному источнику, обрезать определенную часть изображения, извлекать отдельные кадры из видео или выполнять код для измерения и сравнения элементов. Компания называет этот механизм «визуальным черновым пространством». Он призван позволить модели проверять детали, которые могут быть упущены при первоначальном анализе.
От описания к многократной проверке
Эндрю Дэй, генеральный директор Elorian и бывший исследователь Google DeepMind, считает, что неспособность современных моделей понимать символы и визуальные взаимосвязи проявляется даже в повседневных ситуациях. Он рассказал, что протестировал продвинутую модель, показав ей изображение настольной игры и спросив, какой игрок лидирует, однако модель не смогла визуально интерпретировать символы и правила игры. Дэй сравнивает это со способностью людей понимать схемы сборки мебели, в которых содержится не так много текста.
Эта идея не полностью нова: в 2025 году OpenAI добавила механизм обрезки и масштабирования во время вывода в свои модели серии o. Однако Elorian утверждает, что Glimpse с самого начала создавалась вокруг этого подхода при сохранении более низкой стоимости обучения. По данным компании, модель обучалась небольшой командой с использованием нескольких сотен графических процессоров, а ее размер значительно меньше, чем у передовых систем, с которыми ее сравнивали.
Производительность и стоимость
Согласно оценкам Elorian, Glimpse превосходит GPT-6 Astra в рассуждении по научным схемам и описании коротких видеороликов, а также показывает конкурентоспособные результаты в других задачах визуального рассуждения. Эти результаты получены в рамках собственной оценки компании; источник не приводит независимых подробностей о тестовых наборах или методике сравнения, поэтому одних этих данных недостаточно, чтобы доказать общее превосходство над всеми моделями.
Стоимость Glimpse составляет около 0,60 доллара за миллион входных токенов и 3 доллара за миллион выходных токенов. Согласно приведенному сравнению, это делает модель дешевле средних моделей, таких как Sonnet и Sol, но дороже легких моделей, таких как Haiku и Luna.
Что меняется на практике?
На первом этапе Elorian ориентируется на компании, работающие с большими объемами видео, включая робототехнические компании, научные лаборатории, а также медийные и творческие организации. Практическая ценность модели, если независимые испытания подтвердят заявления компании, заключается в снижении зависимости от первоначального описания изображения и обеспечении более детальной проверки схем, символов и последовательности событий в видео.
Elorian привлекла посевной раунд на сумму 55 миллионов долларов при оценке в 300 миллионов долларов до запуска продукта. В раунде приняли участие Striker Venture Partners, Menlo Ventures и Altimeter Capital, а также Nvidia и Джефф Дин, главный научный сотрудник Google. В долгосрочной перспективе компания хочет перейти от зрения к действию, создав модель сцены и используя ее для выбора действий, включая непосредственное управление роботами. Дэй также заявил, что в следующем году компания намерена создать «лучшую в мире модель визуального рассуждения» — амбициозную цель, которая по-прежнему зависит от результатов и испытаний, подробности которых пока представлены не полностью.