Модель Glimpse от Elorian выходит в виде предварительной версии для исследований с доступом по API, а чат-интерфейс доступен только по приглашениям. Пока что это таблица результатов и тезис. Тезис? Современные ИИ-модели, несмотря на все их навыки в работе с языком и кодом, по-прежнему не умеют по-настоящему видеть.
Большинство мультимодальных моделей смотрят на изображение один раз, преобразуют его в токены, а затем анализируют в текстовом формате — как описание фотографии по памяти. Glimpse постоянно возвращается к источнику. В процессе анализа она может обрезать область, извлекать отдельные кадры из видео или запускать код для измерения или сравнения того, на что смотрит, — механизм, который Elorian называет «визуальным рабочим пространством». Представьте, как кто-то увеличивает изображение на фотографии на телефоне, чтобы перепроверить то, что, как ему казалось, он увидел.
Для бывшего исследователя Google DeepMind и генерального директора Elorian Эндрю Дая одним из самых явных признаков того, что ИИ по-прежнему не умеет по-настоящему видеть, стала игра в настольные игры.
В прошлом году он сфотографировал настольную игру, в которую только что закончил играть с друзьями, и спросил у передовой модели, кто выигрывает. Она не смогла ответить. Настольные игры «имеют свой собственный визуальный язык, свою иконографию, символы», — рассказал он TechCrunch. «Для взрослого человека довольно легко понять, что происходит, с минимальным количеством текста, но эти модели не способны интуитивно понимать значение символов».
«Люди могут смотреть на инструкции IKEA без текста и собирать мебель IKEA, верно? Почему ИИ-модели не могут?» — спросил он.
Этот подход не является совершенно новым — OpenAI добавила обрезку и масштабирование во время анализа в свои модели серии o в 2025 году — но Elorian утверждает, что построила всю модель вокруг этого, причем недорого. Компания заявляет, что небольшая команда обучила Glimpse на нескольких сотнях GPU, и что модель значительно меньше передовых систем, с которыми она сравнивается.
Стоимость Glimpse составляет 0,60 доллара за миллион входных токенов и 3 доллара за миллион выходных токенов — дешевле, чем модели среднего уровня, такие как Sonnet и Sol, но дороже, чем легкие модели, такие как Haiku и Luna.
Однако, согласно оценкам Elorian, Glimpse превосходит даже GPT-6 Astra в анализе научных диаграмм и создании подписей к коротким видео, показывая конкурентоспособные результаты в других задачах визуального анализа.
Elorian вышла из тени шесть месяцев назад после раунда финансирования под совместным руководством Striker Venture Partners, Menlo Ventures и Altimeter Capital при участии Nvidia и главного научного сотрудника Google Джеффа Дина.
Первоначальными клиентами являются компании, обладающие большими объемами видеоданных: робототехнические фирмы, научные лаборатории, медиа и креативные компании. В долгосрочной перспективе Elorian хочет перейти от видения к действию. Это означает построение модели сцены и использование ее для выбора действия, включая прямое управление роботами. В следующем году, по словам Дая, компания намерена создать «лучшую в мире модель визуального анализа», которая будет лидировать во всех тестах визуального анализа.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Aditya Mehta
