Elorian 推出 Glimpse 模型，強調圖像推理而非僅描述

位於帕羅奧圖的 AI 新創公司 Elorian，在產品發布前就已完成 5500 萬美元的種子輪募資，估值達 3 億美元。據 TechCrunch 獨家報導，該公司已於週五發布其首個模型。

這個名為 Glimpse 的模型，目前以研究預覽版形式推出，提供 API 存取，而聊天介面則採候補名單制。因此，目前它主要呈現為一個結果表格和一項核心論點。這項論點是：儘管現今的 AI 模型在語言和程式碼方面表現出色，但它們仍無法真正地「看見」。

大多數多模態模型只會看一次圖像，將其轉換為 token，然後以文字形式進行推理，就像憑記憶描述一張照片。然而，Glimpse 會不斷回溯原始資料。在推理過程中，它可以裁剪特定區域、從影片中提取特定影格，或執行程式碼來測量或比較它所觀察到的內容，Elorian 將這種機制稱為「視覺暫存空間」（visual scratch space）。這就像人們在手機上放大照片，以再次確認他們所看到的內容。

對於前 Google DeepMind 研究員兼 Elorian 執行長 Andrew Dai 而言，AI 仍無法真正「看見」的最明顯跡象之一，發生在一個遊戲之夜。

去年，他拍下了一張剛和朋友玩完的桌遊照片，並詢問一個前沿模型誰贏了，但模型無法回答。他告訴 TechCrunch：「桌遊各自有其視覺語言、圖標和符號。對成年人來說，即使只有少量文字，也很容易理解發生了什麼，但這些模型卻無法直觀地理解這些符號的含義。」

他說：「人類可以看著 IKEA 的組裝圖，即使沒有文字，也能組裝 IKEA 家具，對吧？為什麼 AI 模型做不到呢？」

這種方法並非全新，OpenAI 在 2025 年也為其 o 系列模型增加了推理時的裁剪和縮放功能。然而，Elorian 的賣點在於它以低成本圍繞此概念構建了整個模型。該公司表示，一個小型團隊僅使用數百個 GPU 就訓練了 Glimpse，而且該模型比其基準測試的前沿系統小得多。

Glimpse 的費用為每百萬輸入 token 0.60 美元，每百萬輸出 token 3 美元。這比 Sonnet 和 Sol 等中階模型便宜，但比 Haiku 和 Luna 等輕量級模型貴。

然而，根據 Elorian 的評估，Glimpse 在科學圖表推理和短影音字幕生成方面甚至超越了 GPT-6 Astra，在其他視覺推理任務上也取得了具競爭力的成果。

Elorian 在六個月前結束了隱匿模式，並完成了一輪由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 共同領投的募資，Nvidia 和 Google 首席科學家 Jeff Dean 也參與其中。

Elorian 的初期目標客戶是擁有大量影片資料的公司，例如機器人公司、科學實驗室、媒體和創意公司。從長遠來看，Elorian 希望從「看見」發展到「行動」。這意味著建立一個場景模型，並利用該模型來選擇行動，包括直接控制機器人。Dai 表示，明年該公司目標是打造「世界上最好的視覺推理模型」，在所有視覺推理測試中都取得領先地位。