Mô hình AI đầu tiên của Elorian muốn lý luận bằng hình ảnh, không chỉ về chúng

Elorian, công ty khởi nghiệp AI của Palo Alto đã huy động được vòng hạt giống trị giá 55 triệu đô la với mức định giá 300 triệu đô la trước khi tung ra sản phẩm, đã phát hành mô hình đầu tiên vào thứ Sáu, TechCrunch đã độc quyền cho biết.

Mô hình Glimpse đang ra mắt dưới dạng bản xem trước nghiên cứu với quyền truy cập API và giao diện trò chuyện. Luận án? Các mô hình AI ngày nay, dù có tất cả kỹ năng về ngôn ngữ và mã, vẫn chưa thực sự nhìn thấy được.

Hầu hết các mô hình đa phương thức đều xem hình ảnh một lần, chuyển nó thành mã thông báo và sau đó suy luận về nó bằng văn bản – giống như mô tả một bức ảnh từ bộ nhớ. Thoáng nhìn cứ quay về cội nguồn. Lý luận ở giữa, nó có thể cắt thành một vùng, kéo các khung hình cụ thể từ video hoặc chạy mã để đo lường hoặc so sánh những gì nó đang xem, một cơ chế mà Elorian gọi là “không gian vết xước trực quan”. Hãy nghĩ đến việc ai đó chụm ngón tay để phóng to bức ảnh trên điện thoại nhằm kiểm tra kỹ những gì họ nghĩ họ đã nhìn thấy.

Đối với cựu nhà nghiên cứu Google DeepMind và Giám đốc điều hành Elorian Andrew Dai, một trong những dấu hiệu rõ ràng nhất cho thấy AI vẫn chưa thực sự nhìn thấy được là vào đêm thi đấu.

Năm ngoái, anh ấy chụp ảnh một trò chơi board game mà anh ấy vừa mới chơi xong với bạn bè và hỏi một người mẫu biên giới ai là người chiến thắng. Nó không thể nói được. Ông nói với TechCrunch: “Mỗi trò chơi trên bàn đều có ngôn ngữ hình ảnh riêng, mỗi trò chơi đều có hình tượng, biểu tượng riêng. “Đối với người lớn, khá dễ dàng để hiểu điều gì đang xảy ra với lượng văn bản tối thiểu, nhưng những mô hình này không thể hiểu được ý nghĩa của các ký hiệu.”

“Con người có thể nhìn vào sơ đồ Ikea mà không cần văn bản và lắp ráp đồ nội thất Ikea, phải không? Tại sao mô hình AI lại không thể?” anh ấy nói.

Cách tiếp cận này không hoàn toàn mới – OpenAI đã thêm tính năng cắt và thu phóng trong quá trình lý luận cho các mô hình dòng o của mình vào năm 2025 – nhưng ý của Elorian là họ đã xây dựng toàn bộ mô hình xung quanh nó với giá rẻ. Công ty cho biết một nhóm nhỏ đã đào tạo Glimpse trên vài trăm GPU và mô hình này nhỏ hơn đáng kể so với các hệ thống tiên tiến mà nó làm chuẩn.

Glimpse có giá 0,60 USD cho mỗi triệu token đầu vào và 3 USD cho mỗi triệu token đầu ra — rẻ hơn so với các mô hình cấp trung như Sonnet và Sol nhưng đắt hơn các mô hình nhẹ như Haiku và Luna.

Nhưng theo đánh giá của Elorian, Glimpse thậm chí còn vượt trội hơn GPT-6 Astra về lý luận biểu đồ khoa học và chú thích video dạng ngắn, với kết quả cạnh tranh trong các nhiệm vụ lý luận trực quan khác.

Elorian đã lộ diện cách đây sáu tháng với một vòng do Striker Venture Partners, Menlo Ventures và Altimeter Capital đồng dẫn đầu, với sự tham gia của Nvidia và nhà khoa học trưởng của Google, Jeff Dean.

Mục tiêu ban đầu là các công ty có nhiều video: công ty chế tạo robot, phòng thí nghiệm khoa học, phương tiện truyền thông và các công ty sáng tạo. Về lâu dài, Elorian muốn chuyển từ nhìn sang làm. Điều đó có nghĩa là xây dựng mô hình cảnh sử dụng mô hình đó để chọn hành động, bao gồm cả việc trực tiếp điều khiển robot. Dai cho biết, năm tới, công ty đặt mục tiêu xây dựng “mô hình suy luận trực quan tốt nhất thế giới”, một mô hình dẫn đầu trong mọi bài kiểm tra lý luận trực quan.