Перша ШІ-модель Elorian вчиться мислити, а не лише описувати зображення
Elorian, стартап зі ШІ з Пало-Альто, який залучив $55 мільйонів посівного фінансування за оцінки у $300 мільйонів ще до запуску продукту, представив свою першу модель. Про це стало відомо ексклюзивно TechCrunch.
Модель під назвою Glimpse запускається як дослідницька версія з доступом через API та інтерфейсом чату. Основна ідея полягає в тому, що сучасні моделі ШІ, попри їхні можливості в роботі з мовою та кодом, насправді досі не вміють “бачити”.
Більшість мультимодальних моделей аналізують зображення лише один раз, перетворюють його на токени, а потім обробляють у текстовому форматі, ніби описуючи фотографію зі спогадів. Glimpse ж постійно повертається до першоджерела. Під час аналізу вона може наблизити певну ділянку, виділити конкретні кадри з відео або виконати код для вимірювання чи порівняння об’єктів, що аналізуються. Elorian називає цей механізм “візуальним робочим простором”. Це схоже на те, як людина на телефоні робить жест “pinch to zoom”, щоб перевірити, чи правильно вона щось розгледіла.
Для Ендрю Дая, колишнього дослідника Google DeepMind та CEO Elorian, одним із найчіткіших сигналів того, що ШІ ще не вміє по-справжньому бачити, стала звичайна настільна гра.
Минулого року він сфотографував завершену гру з друзями і запитав у найсучаснішої моделі, хто перемагає. Вона не змогла відповісти. Настільні ігри “мають свою власну візуальну мову, свою іконографію, символи”, — розповів він TechCrunch. — “Для дорослої людини досить легко зрозуміти, що відбувається, з мінімальним текстом, але ці моделі не здатні інтуїтивно вловити значення символів”.
«Люди можуть дивитися на інструкції IKEA без тексту і збирати меблі, чи не так? Чому моделі ШІ не можуть?» — запитав він.
Цей підхід не є абсолютно новим — OpenAI додала функцію масштабування та обрізання під час аналізу до своїх моделей серії “o” у 2025 році. Але Elorian стверджує, що вони побудували всю модель навколо цього, і зробили це недорого. Компанія повідомляє, що невелика команда навчила Glimpse на кількох сотнях GPU, і що модель значно менша за ті передові системи, з якими вона порівнюється.
Вартість Glimpse становить $0.60 за мільйон токенів на вході та $3 за мільйон токенів на виході. Це дешевше, ніж моделі середнього рівня, як Sonnet та Sol, але дорожче, ніж легкі моделі, як Haiku та Luna.
Однак, згідно з оцінками Elorian, Glimpse перевершує навіть GPT-6 Astra у аналізі наукових графіків та створенні коротких відеоописів, демонструючи конкурентні результати й у інших завданнях візуального аналізу.
Elorian вийшов з “тіні” шість місяців тому, отримавши раунд фінансування під спільним керівництвом Striker Venture Partners, Menlo Ventures та Altimeter Capital, за участю Nvidia та головного наукового співробітника Google Джеффа Діна.
Початкові цільові клієнти — компанії, які мають великі обсяги відеоданих: робототехнічні фірми, наукові лабораторії, медіа та креативні компанії. У довгостроковій перспективі Elorian прагне перейти від “бачити” до “робити”. Це означає побудову моделі сцени та використання її для вибору дії, зокрема для прямого керування роботами. Наступного року, за словами Дая, компанія планує створити “найкращу у світі модель візуального аналізу”, яка покаже найкращі результати в усіх тестах візуального аналізу.
Джерело новини: techcrunch.com