Elorian 推出 Glimpse 視覺思考模型，新基準 DecoyCount 揭示前沿 AI 盲點

本月，Elorian 推出了其首個視覺推理模型 Glimpse。該模型被宣傳為「一種全新類型的視覺思考模型：一個能從所見事物中推斷物理世界的系統」。那麼，Glimpse 在視覺測試中與前沿模型和世界模型相比表現如何呢？由 Elorian 共同發布的新基準測試 DecoyCount 提供了一些答案。

我們就此基準測試採訪了執行長 Andrew Dai，並討論了 Elorian 在競爭激烈的模型領域中的定位。

Elorian 於今年四月以 5500 萬美元的種子資金浮出水面，由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 共同領投。現在，Elorian 與 AI 資料公司 Mercor 合作，宣布推出 DecoyCount 基準測試，旨在檢驗語言模型是真正計數物體，還是依賴視覺捷徑和替代啟發法。

根據隨發布的論文指出，前沿模型在 DecoyCount 上的準確度低於 50%，其中 GPT-6 Astra 以 43.17% 居冠。雖然論文中未提及 Elorian 的新模型，但 Dai 告訴我們，Glimpse 在內部測試中獲得了 50.48% 的分數。

關於前沿模型，該論文總結道：「更強大的通用推理能力本身並不能推廣到一致的視覺推理。」

該基準測試的運作方式是：「DecoyCount 揭示了七種機制中可解釋的計數失敗。」為了確保與前沿模型進行公平比較，我們詢問了論文中的評估圖像是否未用於 Glimpse 的訓練。Dai 透過電子郵件回覆：「評估圖像和文字都未用於我們的訓練，我們的污染檢查也未發現訓練資料有任何重疊。」

他補充說：「在沒有任何提示的情況下，Glimpse 在 1,660 個 DecoyCount 項目中獲得了 50.48% 的分數，使其成為比較中唯一突破 50% 的模型。最接近的是 GPT-6 Astra，得分 43.17%，落後約 7 個百分點；Gemini-3.8-flash 得分 32.71%，Qwen3.8-max 得分 28.31%，而 Claude-Fable-5.1 則為 25.22%。」

Dai 指出，Glimpse 的結果「來自模型自身的單次運行，沒有代理或工具輔助」，而論文中的六個模型則是在其報告設定下，每次運行取三次平均值。

但 DecoyCount 究竟揭示了現有模型基準測試所遺漏的什麼？根據 Dai 的說法，它同時測試了視覺和推理能力，而大多數基準測試都忽略了這一點。他舉例說明：「如果一個人看到鏡子前面有一個蘋果，我們知道只有一個蘋果，它只是被反射出來。但模型可能會完全錯過蘋果（視覺問題），或者將蘋果及其反射計數為兩個（推理問題）。」

他解釋說：「然而，大多數測試此類錯誤的基準測試只檢查最終數字，因此兩種錯誤都被視為相同，如果你想解決根本問題，卻無法區分是視覺還是判斷問題，這就會成為一個困擾。」

視覺思考究竟是什麼？Andrew Dai 並非 AI 領域的新手。2015 年，他在 Google 工作時，共同撰寫了一篇名為《半監督序列學習》的論文。在這篇論文中，Dai 和他當時的同事 Quoc Le 展示了後來被大型語言模型採用的「預訓練再微調」方法的一個早期版本。

在接下來的十年裡，Dai 為 Google DeepMind 工作，參與了 GLaM MoE、PaLM 2 和 Gemini 的開發。Dai 今年才離開 Google，共同創立了 Elorian。他的部分動機是為了拓展視覺模型的能力極限。他向 Latent Space 解釋，他的方法基於人類心理學中的「視覺思考」概念。

他解釋說，當大多數人「思考空間問題或視覺問題時」，他們會「在腦海中生成圖像並編輯圖像」來視覺化問題。他舉例說，就像購買沙發時，會在腦海中想像它擺放在客廳裡的樣子。Dai 表示，這也包括在腦海中操縱圖像；例如，如果你在數桌子周圍的人，你可能會在心裡「一個一個劃掉他們」。

這正是 Elorian 旨在其模型中實現的目標：教導它們「涉及生成和編輯圖像作為推理軌跡一部分，並結合語言」的視覺思考。關鍵點在於，圖像生成不僅僅是視覺模型的輸出，生成的或編輯的圖像更是推理鏈的一部分。

Elorian 與世界模型有何不同？視覺推理仍在發展中，但今年在「世界模型」領域有一些令人印象深刻的發布，其中視覺是關鍵組成部分。其中兩個引人注目的模型是 World Labs 於九月發布的 Atlas（該公司隨後被 AMD 收購）和 Google 剛發布的 Genie 4。

當 World Labs 宣布 Atlas 時，它被描述為「用於空間智慧的全能世界模型」。但 Atlas 所實現的功能，基本上是一個世界的 3D 模擬，與視覺推理並不相同。

根據 Dai 的說法，世界模型實現的是「對世界的直接行動」，而 Elorian 更側重於他所謂的「間接行動」。他指的是使用視覺推理來為決策或工作流程提供資訊（Glimpse 的作用），而不是建立允許導航和操縱的模擬環境（Atlas 的作用）。舉例來說，你可能會使用視覺推理來決定是否因違反政策而拒絕用戶上傳的影片。Dai 表示：「你不需要 3D 渲染來做到這一點。」

視覺推理的其他商業機會包括機器人、工程和國防應用。Dai 補充說，建築師需要定期檢查建築規範和合規性，這對視覺推理模型來說是一項理想的任務。在 WGO Bench 和 ERQA 這兩個機器人基準測試中，Elorian 聲稱其評分與前沿模型持平或更高，且價格更便宜。

回到計數誘餌作為視覺模型成功的一個衡量標準，Dai 認為，模型對其所見事物進行推理，對於其在實際應用中的準確性和有效性至關重要。他舉了一個倉庫機器人計數箱中物品的例子。Dai 說：「一個熟悉的 12 格托盤可能只裝了 10 個零件，而一個標示著 24 件的包裝也不代表箱子裡還有 24 件物品。」

他強調：「一個依賴預期所見的模型將在實際情況中面臨許多問題，而 Glimpse 的設計宗旨是透過圖像進行處理，而不是倉促下結論。我們設計 Glimpse 是為了將計數建立在可見證據的基礎上，而不是可能誤導其他模型的基本提示。」

為何 Elorian 認為 AGI 需要視覺推理？Elorian 甚至聲稱視覺推理是通用人工智慧（AGI）的基礎要求。Glimpse 的發布文章指出：「我們相信，從系統、資料、模型架構到訓練，全面建構多模態智慧的完整堆疊，可以解鎖物理世界中的 AGI。」

Dai 承認「人類與機器之間仍存在巨大鴻溝」，但他認為視覺推理是彌合這一鴻溝的關鍵。他說：「我認為視覺推理是人類智慧中一個基本的推理步驟。最終，如果我們想建立任何類似 AGI 的東西，我們就不能跳過視覺。」