Elorian، استارتاپ هوش مصنوعی مستقر در پالو آلتو که پیش از عرضه هر محصولی ۵۵ میلیون دلار در مرحله seed و با ارزش‌گذاری ۳۰۰ میلیون دلار سرمایه جذب کرده بود، روز جمعه نخستین مدل خود را با نام Glimpse منتشر کرد. این مدل به‌صورت پیش‌نمایش پژوهشی در دسترس است: دسترسی API فعال است اما رابط چت فقط با لیست انتظار کار می‌کند.
نکته اصلی Glimpse یک تفاوت معماری است. مدل‌های چندوجهی رایج یک بار به تصویر نگاه می‌کنند، آن را به توکن تبدیل می‌کنند و سپس در قالب متن درباره‌اش استدلال می‌کنند — مثل کسی که از روی حافظه یک عکس را توصیف کند. Glimpse در میانه استدلال دوباره به منبع بازمی‌گردد: می‌تواند روی ناحیه‌ای از تصویر زوم کند، فریم‌های مشخصی از ویدئو بیرون بکشد، یا کد اجرا کند تا آنچه می‌بیند را اندازه بگیرد و مقایسه کند. Elorian این مکانیزم را «visual scratch space» می‌نامد.
اندرو دای، پژوهشگر پیشین Google DeepMind و مدیرعامل Elorian، در گفت‌وگو با TechCrunch گفت که یکی از روشن‌ترین نشانه‌های ناتوانی مدل‌های فعلی در «دیدن» واقعی، یک شب بازی رومیزی بود. او عکس تخته بازی را به یک مدل مرزی نشان داد و پرسید چه کسی برنده است. مدل نتوانست بگوید.
این رویکرد کاملاً تازه نیست؛ OpenAI در سال ۲۰۲۵ قابلیت crop-and-zoom در حین استدلال را به مدل‌های سری o اضافه کرد. اما Elorian می‌گوید کل مدل را حول این ایده ساخته، با تیمی کوچک و روی چند صد GPU. Glimpse از نظر اندازه به‌طور قابل‌توجهی کوچک‌تر از سیستم‌های مرزی است که با آن‌ها مقایسه شده.
قیمت‌گذاری Glimpse ۰/۶۰ دلار به ازای هر میلیون توکن ورودی و ۳ دلار به ازای هر میلیون توکن خروجی است — ارزان‌تر از Sonnet و Sol، گران‌تر از Haiku و Luna.
طبق ارزیابی‌های خود Elorian، Glimpse در دو وظیفه تحلیل نمودار علمی و زیرنویس ویدئوی کوتاه از GPT-6 Astra عملکرد بهتری داشته و در سایر وظایف استدلال بصری نتایج رقابتی ارائه داده است.
سرمایه‌گذاری seed این شرکت را Striker Venture Partners، Menlo Ventures و Altimeter Capital مشترکاً هدایت کردند؛ Nvidia و جف دین، دانشمند ارشد گوگل، هم در این دور مشارکت داشتند. مخاطبان اولیه شامل شرکت‌های رباتیک، آزمایشگاه‌های علمی، رسانه و شرکت‌های خلاق هستند. دای گفته سال آینده هدف Elorian ساخت «بهترین مدل استدلال بصری جهان» است.
خوانش تحریریه: چه چیزی عوض می‌شود و چه چیزی نه#
برای کسی که همین حالا ایجنت یا اتوماسیون تصویری می‌سازد، Glimpse یک تغییر معماری جالب است نه یک جهش. ایده بازگشت به تصویر در حین استدلال واقعاً محدودیت توصیف‌محور بودن مدل‌های چندوجهی را هدف گرفته، اما OpenAI سال گذشته بخش قابل‌توجهی از همین مسیر را با سری o طی کرده بود. تفاوت Elorian در این است که کل مدل را از ابتدا حول این ایده بنا کرده و با هزینه و مقیاس کمتر.
اما چند احتیاط لازم است. اول، نتایج بنچمارک از خود شرکت آمده و هنوز بازخورد مستقلی از API در دسترس نیست. دوم، رابط چت فقط با لیست انتظار کار می‌کند، یعنی عملاً هنوز کسی نتوانسته مدل را در شرایط واقعی آزمایش کند. سوم، ادعای «بهترین مدل استدلال بصری جهان» برای سال آینده یک هدف است نه یک نتیجه.
برای کارهایی که حجم ویدئوی بالا دارند — نظارت صنعتی، تحلیل داده علمی، ویرایش خودکار — این مدل اگر ادعاهایش در عمل تأیید شود، می‌تواند جایگزین ارزان‌تری برای مدل‌های مرزی باشد. اما فعلاً خبر بیشتر یک thesis است تا یک محصول.
منبع: TechCrunch AI
دیدگاه‌ها
برای گذاشتن دیدگاه وارد شو
دیدگاه‌ها فقط از حسابهای کاربری پذیرفته میشوند.
ورود / ثبتنامهنوز دیدگاهی ثبت نشده — اولین نفر باش.