Merkezi Palo Alto’da bulunan yapay zekâ girişimi Elorian, ilk modeli Glimpse’i API ve sohbet arayüzü üzerinden erişilebilen bir araştırma sürümü olarak piyasaya sürdü. Model, görüntü veya videoyu bir kez sembollere dönüştürüp ardından sabit bir metinsel açıklama üzerinden işlemeye kıyasla, doğrudan görsel içeriğe dayanarak akıl yürütmeye odaklanıyor.
Elorian, Glimpse’in düşünme süreci sırasında görsel kaynağa birden fazla kez geri dönebildiğini, görüntünün belirli bir bölümünü kırpabildiğini, videodan belirli kareleri çıkarabildiğini veya öğeleri ölçüp karşılaştırmak için kod çalıştırabildiğini söylüyor. Şirket bu mekanizmayı "görsel taslak alanı" olarak adlandırıyor. Bu mekanizma, modelin ilk analizde gözden kaçırabileceği ayrıntıları doğrulamasına olanak verecek şekilde tasarlandı.
Açıklamadan tekrarlı incelemeye
Elorian’ın CEO’su ve eski Google DeepMind araştırmacısı Andrew Day, mevcut modellerin sembolleri ve görsel ilişkileri anlama konusundaki yetersizliğinin günlük durumlarda bile ortaya çıktığını düşünüyor. Day, gelişmiş bir modeli, önde olan oyuncuyu sormak için bir masa oyununun görüntüsüyle test ettiğini, ancak modelin sembolleri ve oyunun kurallarını görsel olarak yorumlayamadığını belirtti. Day bunu, insanların çok fazla metin içermeyen mobilya montaj şemalarını anlayabilme becerisiyle karşılaştırıyor.
Fikir tamamen yeni değil; OpenAI, 2025’te o serisi modellerine çıkarım sırasında kırpma ve yakınlaştırma mekanizması ekledi. Ancak Elorian, Glimpse’in bu yaklaşım etrafında en başından itibaren geliştirildiğini ve daha düşük eğitim maliyetinin korunduğunu söylüyor. Şirkete göre model, küçük bir ekip tarafından birkaç yüz grafik işlem birimi kullanılarak eğitildi ve boyutu, karşılaştırıldığı öncü sistemlerden çok daha küçük.
Performans ve maliyet
Elorian’ın değerlendirmelerine göre Glimpse, bilimsel şemalar üzerinde akıl yürütme ve kısa video kliplerini açıklama görevlerinde GPT-6 Astra’dan daha iyi performans gösteriyor ve diğer görsel akıl yürütme görevlerinde rekabetçi sonuçlar elde ediyor. Bu sonuçlar yalnızca şirketin kendi değerlendirmelerinden oluşuyor; kaynakta test kümeleri veya karşılaştırma metodolojisi hakkında bağımsız ayrıntılar sunulmadığından, bunlar tek başına tüm modellere karşı genel bir üstünlüğü kanıtlamaya yetmiyor.
Glimpse’in maliyeti, bir milyon giriş token’ı başına yaklaşık 0,60 dolar ve bir milyon çıkış token’ı başına 3 dolar. Verilen karşılaştırmaya göre bu, modeli Sonnet ve Sol gibi orta ölçekli modellerden daha ucuz, ancak Haiku ve Luna gibi hafif modellerden daha pahalı bir konuma getiriyor.
Pratikte ne değişiyor?
Elorian ilk aşamada robotik şirketleri, bilim laboratuvarları, medya kuruluşları ve yaratıcı kuruluşlar da dahil olmak üzere büyük miktarlarda videoyla çalışan şirketleri hedefliyor. Şirketin iddiaları bağımsız testlerle doğrulanırsa modelin pratik değeri, görüntünün ilk açıklamasına olan bağımlılığı azaltmak ve videodaki grafiklerin, sembollerin ve olay dizisinin daha ayrıntılı biçimde incelenmesini sağlamak olacak.
Elorian, ürününü piyasaya sürmeden önce 300 milyon dolar değerlemeyle 55 milyon dolarlık bir tohum turu topladı. Tura Striker Venture Partners, Menlo Ventures ve Altimeter Capital’ın yanı sıra Nvidia ve Google’ın baş bilim insanı Jeff Dean katıldı. Şirket daha uzun vadede görmeden eyleme geçmeye, bir sahne modeli oluşturup bunu doğrudan robotları kontrol etmek de dahil olmak üzere bir eylem seçmek için kullanmaya geçmek istediğini söylüyor. Day ayrıca şirketin gelecek yıl "dünyanın en iyi görsel akıl yürütme modelini" oluşturmayı hedeflediğini açıkladı. Bu iddialı hedef, ayrıntıları tam olarak sunulmamış sonuçlara ve testlere bağlılığını koruyor.