Elorian izlaiž pirmo mākslīgā intelekta modeli Glimpse, kas attēlus analizē, atkārtoti atgriežoties pie avota
Palo Alto jaunuzņēmums Elorian, kas piesaistīja 55 miljonus dolāru sākumposma finansējuma, piektdien laidis klajā savu pirmo modeli Glimpse. Tas attēlu un video analīzes laikā var atkārtoti pietuvināt kadru vai izpildīt kodu, nevis balstīties tikai uz vienreizēju aprakstu tekstā.
Kalifornijas pilsētas Palo Alto mākslīgā intelekta jaunuzņēmums Elorian piektdien izlaida savu pirmo modeli Glimpse. Par to ekskluzīvi ziņo tehnoloģiju portāls TechCrunch. Uzņēmums jau pirms pirmā produkta bija piesaistījis 55 miljonu dolāru sākumposma investīcijas ar 300 miljonu dolāru novērtējumu. Modelis pagaidām pieejams kā pētniecisks priekšskatījums: izstrādātāji to var izmantot ar API (programmatūras saskarni), bet tērzēšanas saskarnei ir tikai gaidīšanas saraksts. Tāpēc šobrīd par to var spriest pēc rezultātu tabulas un uzņēmuma pamattēzes.
Ko modelis dara citādi
Elorian uzskata, ka mūsdienu modeļi, lai arī labi apstrādā valodu un kodu, īsti neredz. Lielākā daļa multimodālo modeļu, kas apstrādā gan tekstu, gan attēlus, uz attēlu paskatās vienreiz, pārvērš to tokenos un tālāk spriež tekstā — līdzīgi kā aprakstot fotogrāfiju no atmiņas. Glimpse spriešanas laikā atkārtoti atgriežas pie oriģināla: var izgriezt attēla daļu, atlasīt konkrētus video kadrus vai palaist kodu, lai izmērītu vai salīdzinātu redzēto. Uzņēmums šo mehānismu dēvē par “vizuālo melnrakstu telpu”.
Uzņēmuma vadītājs Endrū Dajs (Andrew Dai), bijušais Google DeepMind pētnieks, stāsta, ka problēmu viņš pamanīja pēc galda spēles vakara. Pagājušajā gadā viņš nofotografēja tikko pabeigtu spēli un jautāja vienam no vadošajiem modeļiem, kurš uzvar, taču atbildi nesaņēma. Pēc viņa teiktā, cilvēkam ir viegli saprast spēles simbolus, bet modeļi to nespēj.
Līdzīga pieeja nav pilnīgi jauna: OpenAI savus o sērijas modeļus 2025. gadā papildināja ar izgriešanu un tuvināšanu spriešanas laikā. Elorian atšķirība ir tā, ka visu modeli veidojis ap šo principu un ar nelielām izmaksām. Uzņēmums norāda, ka neliela komanda Glimpse apmācījusi uz dažiem simtiem GPU un modelis ir ievērojami mazāks par vadošajām sistēmām, ar kurām tas salīdzināts.
Cena un rezultāti
Glimpse izmaksā 0,60 dolārus par miljonu ievades tokenu un 3 dolārus par miljonu izvades tokenu. Tas ir lētāk nekā vidējās klases modeļi Sonnet un Sol, bet dārgāk nekā vieglie modeļi Haiku un Luna. Pēc Elorian veiktajiem novērtējumiem modelis zinātnisko diagrammu analīzē un īso video aprakstu veidošanā pārspēj pat GPT-6 Astra, bet citos vizuālās spriešanas uzdevumos rezultāti ir konkurētspējīgi.
Nākotnes plāni
Elorian no slepenības iznāca pirms sešiem mēnešiem; investīciju kārtu kopīgi vadīja Striker Venture Partners, Menlo Ventures un Altimeter Capital, piedalījās arī Nvidia un Google galvenais zinātnieks Džefs Dīns (Jeff Dean). Pirmie mērķa klienti ir uzņēmumi ar lielu video apjomu: robotikas firmas, zinātniskās laboratorijas, mediju un radošās nozares uzņēmumi. Ilgtermiņā uzņēmums vēlas pāriet no redzēšanas pie rīcības — veidot ainas modeli, pēc tā izvēlēties darbību un tieši vadīt robotus. Nākamgad Dajs plāno radīt “pasaulē labāko vizuālās spriešanas modeli”.
