Elorian 发布首个模型 Glimpse，主打在推理中反复查看图像

据 TechCrunch 独家获悉，总部位于帕洛阿尔托的 AI 初创公司 Elorian——在产品发布之前就以 3 亿美元估值完成了 5500 万美元的种子轮融资——于周五发布了其首个模型。

该模型名为 Glimpse，目前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，所以现在它只是一张结果表和一套论点。论点是什么？如今的 AI 模型尽管在语言和代码方面技能娴熟，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，然后以文本方式进行推理——就像凭记忆描述一张照片。Glimpse 则会不断回到原始来源。在推理过程中，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正在看的内容，Elorian 将这一机制称为“视觉暂存空间”。想象一下有人在手机上用双指缩放一张照片，以核实自己刚才看到的东西。

对于前 Google DeepMind 研究员、Elorian CEO Andrew Dai 来说，AI 仍无法真正“看见”的最明显迹象之一，来自一个游戏之夜。

去年，他拍下了刚和朋友们玩完的一桌桌游，并询问一个前沿模型谁在领先。模型答不上来。桌游“每种都有自己的视觉语言，都有自己的图像符号体系，”他告诉 TechCrunch。“对成年人来说，只需很少的文字就能轻松理解发生了什么，但这些模型无法直观地理解这些符号的含义。”

“人类可以看着没有文字的宜家（IKEA）示意图，组装出宜家家具，对吧？为什么 AI 模型做不到？”他说。

这种做法并非全新——OpenAI 在 2025 年就为它的 o 系列模型添加了推理过程中的裁剪和缩放功能——但 Elorian 的卖点是，它围绕这一机制构建了整个模型，而且成本很低。公司表示，一个小团队仅用几百块 GPU 就训练出了 Glimpse，而且该模型比它所对标的前沿系统小得多。

Glimpse 的价格为输入每百万 token 0.60 美元、输出每百万 token 3 美元——比 Sonnet 和 Sol 等中端模型便宜，但比 Haiku 和 Luna 等轻量级模型贵。

不过根据 Elorian 的评估，Glimpse 在科学图表推理和短视频字幕生成上甚至优于 GPT-6 Astra，在其他视觉推理任务上也取得了有竞争力的成绩。

Elorian 六个月前走出隐身模式，完成了一轮由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 共同领投的融资，Nvidia 以及 Google 首席科学家 Jeff Dean 也参与了投资。

最初的目标客户是那些坐拥大量视频的公司：机器人公司、科学实验室、媒体和创意公司。从长远来看，Elorian 希望从“看见”走向“行动”。这意味着构建一个场景模型并据此选择行动，包括直接控制机器人。Dai 表示，公司明年旨在打造“世界最佳视觉推理模型”，一个在所有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进行购买时，我们可能会赚取少量佣金。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。他得到了 Tarbell Center for AI Journalism 的支持，曾就读于 UC Berkeley。你可以发送邮件至 [email protected] 或通过 Signal（adymehta.74）发送加密消息联系 Aditya。

查看简介