Elorian 首款 AI 模型 Glimpse 试图通过图像进行推理
Elorian’s first AI model wants to reason with images, not just about them
Elorian 发布首款 AI 模型 Glimpse，主打推理过程中反复查看图像，而非只根据图像转成的文本作答。Glimpse 以研究预览形式开放 API，聊天界面仅限候补名单；输入价格为每百万 tokens $0.60，输出为 $3。按 Elorian 的评测，Glimpse 在科学图表推理和短视频描述上超过 GPT-6 Astra。
Elorian 是一家位于帕洛阿尔托的 AI 初创公司，在推出产品前就以 3 亿美元估值完成了 5,500 万美元种子轮融资。据 TechCrunch 独家获悉，该公司于周五发布了首款模型。
该模型 Glimpse 以研究预览版形式推出，提供 API 访问；聊天界面则仅限候补名单用户使用，因此目前展示的只有结果表和一套论点。论点是什么？如今的 AI 模型尽管擅长语言和代码，却仍然无法真正看见。
大多数多模态模型只看一遍图像，将其转换为 token，然后用文字推理——就像凭记忆描述一张照片。Glimpse 则会不断回看源图像。在推理过程中，它可以裁剪图像中的某个区域、提取视频中的特定帧，或运行代码来测量或比较所观察到的内容。Elorian 将这一机制称为“视觉草稿空间”。可以把它想象成有人在手机照片上用双指放大，确认自己刚才看到的内容。
对曾任 Google DeepMind 研究员、现任 Elorian CEO 的 Andrew Dai 来说，AI 仍无法真正看见的一个最明显迹象，出现在游戏之夜。
去年，他拍下了自己刚和朋友玩完的一款棋盘游戏，并询问一个前沿模型谁领先。模型答不上来。棋盘游戏“各自都有独特的视觉语言、图标和符号，”他告诉 TechCrunch。“成年人只需读很少的文字，就能轻松理解游戏进展，但这些模型无法直觉地理解符号的含义。”
“人类可以看着没有文字的宜家示意图，把宜家家具组装起来，对吧？AI 模型为什么做不到？”他说。
这种方法并非全新——OpenAI 于 2025 年为其 o 系列模型加入了推理过程中的裁剪和缩放功能——但 Elorian 的卖点是，它以低成本围绕这一能力构建了整个模型。该公司称，一支小团队使用几百块 GPU 训练了 Glimpse，而且该模型的规模远小于作为基准进行对比的前沿系统。
Glimpse 的输入价格为每百万 token 0.60 美元，输出价格为每百万 token 3 美元——比 Sonnet 和 Sol 等中端模型便宜，但比 Haiku 和 Luna 等轻量级模型贵。
不过，根据 Elorian 的评测，Glimpse 在科学图表推理和短视频描述方面的表现超过了 GPT-6 Astra，在其他视觉推理任务上也取得了具有竞争力的成绩。
Elorian 于六个月前结束隐身模式，公布了一轮融资，由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 共同领投，Nvidia 和 Google 首席科学家 Jeff Dean 也参与了投资。
该公司最初瞄准的是拥有大量视频的企业：机器人公司、科学实验室、媒体公司和创意公司。从长远来看，Elorian 希望从看见迈向行动。这意味着构建场景模型，并以此选择行动，包括直接控制机器人。Dai 表示，明年公司目标是打造“世界上最好的视觉推理模型”，在所有视觉推理测试中都名列前茅。
当你通过我们文章中的链接购买商品时，我们可能会获得少量佣金。这不会影响我们的编辑独立性。
Aditya Mehta 是 TechCrunch 的记者，负责报道 AI。他获得 Tarbell Center for AI Journalism 的支持，曾就读于 UC Berkeley。你可以发送电子邮件至 [email protected] 联系 Aditya，也可以通过 Signal 上的加密消息联系他，账号为 adymehta.74。
来源：TechCrunch · AI · techcrunch.com