Американский стартап Elorian из Пало-Альто, работающий в сфере искусственного интеллекта, представил свою первую модель в пятницу. О запуске сообщил портал TechCrunch. До выхода продукта компания привлекла 55 миллионов долларов на посевном раунде при оценке в 300 миллионов долларов.
Модель получила название Glimpse. Она выпущена в формате исследовательского превью с доступом через API, а чат-интерфейс пока работает только по списку ожидания. Разработчики утверждают, что современные ИИ-системы, несмотря на успехи в работе с текстом и кодом, по-настоящему не умеют видеть. Именно на решение этой проблемы и нацелена новая модель.
Большинство мультимодальных моделей анализируют изображение один раз, преобразуют его в токены, а затем рассуждают о нём в текстовом виде — примерно так же, как человек описывает фотографию по памяти. Glimpse в процессе рассуждения может возвращаться к исходному изображению: вырезать нужный фрагмент, извлечь отдельные кадры из видео или выполнить код для измерения и сравнения объектов. Этот механизм в Elorian называют «визуальным пространством для заметок». Это можно сравнить с тем, как человек увеличивает фото на смартфоне, чтобы перепроверить увиденное.
Глава Elorian и бывший исследователь Google DeepMind Эндрю Дай рассказал TechCrunch, что наглядный пример неспособности ИИ видеть он обнаружил во время игры с друзьями. Он сфотографировал настольную игру и спросил у передовой модели, кто побеждает, но она не смогла ответить. По его словам, у каждой настольной игры своя визуальная логика, свои иконки и символы. Человеку легко понять происходящее при минимуме текста, а модели не могут интуитивно распознать значение этих символов. Дай также задался вопросом, почему люди способны собрать мебель по схемам IKEA без текста, а ИИ-модели этого не умеют.
Подход нельзя назвать полностью новым: OpenAI добавила обрезку и увеличение изображения в процессе рассуждения своим моделям серии o в 2025 году. Однако Elorian делает ставку на то, что построила всю модель вокруг этого механизма и сделала это недорого. Небольшая команда обучила Glimpse на нескольких сотнях графических процессоров, и модель значительно меньше передовых систем, с которыми её сравнивают. Стоимость Glimpse составляет 0,60 доллара за миллион входных токенов и 3 доллара за миллион выходных — дешевле моделей среднего уровня вроде Sonnet и Sol, но дороже лёгких моделей вроде Haiku и Luna. По оценкам Elorian, Glimpse превосходит даже GPT-6 Astra в задачах рассуждения по научным графикам и создания подписей к коротким видео, показывая сопоставимые результаты и в других задачах визуального анализа.
Стартап вышел из режима скрытой работы полгода назад с раундом, который совместно возглавили Striker Venture Partners, Menlo Ventures и Altimeter Capital при участии Nvidia и главного научного сотрудника Google Джеффа Дина. Первоначальная целевая аудитория — компании, располагающие большими объёмами видео: робототехнические фирмы, научные лаборатории, медиа и креативные организации. В долгосрочной перспективе Elorian хочет перейти от наблюдения к действию: строить модель сцены и на её основе выбирать действия, включая прямое управление роботами. В следующем году, по словам Дая, компания намерена создать «лучшую в мире модель визуального мышления», которая будет лидировать во всех соответствующих тестах.