Elorian首个AI模型Glimpse想用图像本身推理，而不只是谈论图像

Elorian，这家位于帕洛阿尔托的 AI 初创公司在推出产品之前就以 3 亿美元估值筹集了 5500 万美元种子轮融资，并于周五发布了其首个模型，TechCrunch 独家获悉。

该模型 Glimpse 以研究预览版形式发布，提供 API 访问，聊天界面仅限候补名单，因此目前它只是一张结果表和一个论点。论点是什么？当今的 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次图像，将其转换为 token，然后用文本进行推理——就像凭记忆描述一张照片。Glimpse 会不断回到原始来源。在推理中途，它可以裁剪某个区域、从视频中提取特定帧，或运行代码来测量或比较它所看到的内容，Elorian 将这一机制称为“视觉草稿空间”。想象一下，有人在手机照片上捏合缩放，以再次确认自己以为看到的东西。

对前 Google DeepMind 研究员、Elorian 首席执行官 Andrew Dai 来说，AI 仍无法真正看见的最明显迹象之一，出现在游戏之夜。 

去年，他拍下了刚和朋友们玩完的一款桌游，并询问一个前沿模型谁正在获胜。它说不出来。桌游“各自有自己的视觉语言，各自有自己的图示和符号”，他告诉 TechCrunch。“对成年人来说，即使文字极少，也很容易理解正在发生什么，但这些模型无法凭直觉理解这些符号的含义。”

“人类可以看着没有文字的 Ikea 图解，然后组装 Ikea 家具，对吧？为什么 AI 模型做不到？”他说。 

这种方法并非完全新鲜——OpenAI 于 2025 年在其 o 系列模型的推理过程中加入了裁剪与缩放——但 Elorian 的主张是，它以较低成本围绕这一能力构建了整个模型。该公司表示，一个小团队用几百块 GPU 训练了 Glimpse，而且该模型比它所对标的前沿系统小得多。 

Glimpse 的价格为每百万输入 token 0.60 美元、每百万输出 token 3 美元——比 Sonnet 和 Sol 等中端模型更便宜，但比 Haiku 和 Luna 等轻量模型更贵。

但根据 Elorian 的评测，Glimpse 甚至在科学图表推理和短视频配文上优于 GPT-6 Astra，并在其他视觉推理任务上取得了有竞争力的结果。 

Elorian 于六个月前结束隐身状态，该轮融资由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 共同领投，Nvidia 以及 Google 首席科学家 Jeff Dean 参与其中。

最初的目标是拥有大量视频的公司：机器人企业、科学实验室、媒体和创意公司。从更长远来看，Elorian 希望从看见走向行动。这意味着构建场景模型，并据此选择动作，包括直接控制机器人。Dai 表示，明年公司旨在打造“世界上最好的视觉推理模型”，一个在每一项视觉推理测试中都领先的模型。 

当您通过我们文章中的链接购买时，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 负责报道 AI 的记者。他得到 Tarbell Center for AI Journalism 的支持，曾就读于 UC Berkeley。您可以通过发送电子邮件至 [email protected]，或在 Signal 上向 adymehta.74 发送加密消息联系 Aditya。

查看简介