Elorian推出可直接理解图像的Glimpse模型
TechCrunch AI··作者 Aditya Mehta
关键信息
Elorian将这一机制称为“视觉草稿空间”，并表示Glimpse由一个小团队使用数百张GPU训练完成。其价格为每百万输入标记0.60美元、每百万输出标记3美元，但目前仍是有限的研究预览版，聊天界面需要排队申请，评测结果也主要来自公司自身。
资讯摘要
帕洛阿尔托初创公司Elorian发布了首个AI模型Glimpse，此前公司在产品发布前以3亿美元估值完成了5500万美元种子轮融资。Glimpse目前以研究预览版通过API提供，聊天界面则仅对候补名单用户开放。Elorian认为，许多现有多模态模型并不能真正“看见”，因为它们通常只检查一次图像，将其转换为标记，然后在文本中对这一表示进行推理。Glimpse会在推理过程中重新访问原始视觉输入，可以裁剪局部区域、提取指定视频帧，并使用代码测量或比较看到的内容。
首席执行官Andrew Dai表示，一张桌游照片曾暴露这一局限：尽管人类能理解其中的符号，前沿模型却无法判断谁占据优势。类似方法并非完全新颖，因为OpenAI在2025年已为其o系列模型加入推理时裁剪和放大功能，但Elorian称Glimpse从设计之初就围绕这一能力构建，并以较低成本完成训练。公司称，规模更小的Glimpse在科学图表推理和短视频描述方面超过了GPT-6 Astra，在其他视觉推理任务上也具有竞争力。Elorian最初瞄准拥有大量视频数据的机器人公司、科学实验室、媒体和创意企业，长期目标则是利用场景模型选择行动并直接控制机器人。
资讯正文
Elorian的首个AI模型希望借助图像进行推理，而不只是谈论图像
据TechCrunch独家获悉，这家位于帕洛阿尔托的AI初创公司Elorian在推出产品前，曾以3亿美元估值完成5500万美元种子轮融资；该公司于周五发布了其首个模型。
这款名为Glimpse的模型以研究预览版形式发布，提供API访问，聊天界面则仅对排队用户开放。因此，目前能看到的只有一张结果表和一项主张。主张是什么？如今的AI模型虽然擅长语言和代码，却仍然无法真正看懂图像。
大多数多模态模型只会查看图像一次，将其转换成token，然后用文本进行推理——就像凭记忆描述一张照片。Glimpse则会持续回到源图像。在推理过程中，它可以裁剪并放大某个区域、从视频中提取特定帧，或运行代码来测量和比较所看到的内容。Elorian将这一机制称为“视觉草稿空间”。可以把它想象成一个人用手指捏合手机照片进行放大，以再次确认自己刚才看到的东西。
对于曾任Google DeepMind研究员、现任Elorian首席执行官的Andrew Dai来说，AI仍然无法真正看懂东西，最明显的迹象之一出现在游戏之夜。
去年，他拍下了刚和朋友玩完的一款棋盘游戏，并询问某个前沿模型谁占据优势。模型答不上来。他告诉TechCrunch，棋盘游戏“各自都有自己的视觉语言、图像符号和象征系统”。“对成年人来说，只需极少的文字就很容易理解发生了什么，但这些模型无法直觉地理解这些符号的含义。”
他说：“人类可以在没有任何文字的情况下看懂宜家说明图，然后组装宜家家具，对吧？为什么AI模型做不到？”
这种方法并非完全新颖——OpenAI在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的主张是，它以低成本围绕这一机制构建了整个模型。该公司表示，一个小团队使用几百块GPU训练出了Glimpse，而且与其进行基准测试的前沿系统相比，这一模型小得多。
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。这比Sonnet和Sol等中端模型便宜，但比Haiku和Luna等轻量级模型更贵。
但根据Elorian的评测，Glimpse在科学图表推理和短视频字幕生成方面甚至超过了GPT-6 Astra，并在其他视觉推理任务中取得了具有竞争力的结果。
六个月前，Elorian结束隐身状态并宣布完成一轮融资。该轮融资由Striker Venture Partners、Menlo Ventures和Altimeter Capital联合领投，Nvidia和Google首席科学家Jeff Dean也参与其中。
Elorian最初瞄准的是拥有大量视频的企业，包括机器人公司、科研实验室、媒体公司和创意公司。从长期来看，Elorian希望从“看见”迈向“行动”。这意味着利用场景构建模型，并据此选择行动，包括直接控制机器人。Dai表示，明年公司计划打造“世界上最好的视觉推理模型”，在每项视觉推理测试中都处于领先地位。
来源与参考
收录于 2026-10-17