Elorian, die Palo Alto AI-Startup, die vor dem Launch eines Produkts eine Seed-Runde von 55 Millionen US-Dollar mit einer Bewertung von 300 Millionen US-Dollar abgeschlossen hat, veröffentlichte am Freitag ihr erstes Modell, wie TechCrunch exklusiv erfahren hat.
Das Modell Glimpse wird als Forschungsvorstellung mit API-Zugang veröffentlicht, und die Chat-Oberfläche ist nur für eine Warteliste erreichbar. Im Moment handelt es sich dabei um eine Ergebnisliste und eine Thesis. Die Thesis? Die heutigen AI-Modelle können trotz ihrer Fähigkeiten im Umgang mit Sprache und Code noch nicht wirklich sehen.
Die meisten multimodalen Modelle betrachten ein Bild einmal, konvertieren es in Tokens und dann denken sie darüber im Text – wie man ein Foto aus dem Gedächtnis beschreibt. Glimpse kehrt immer wieder zum Quellmaterial zurück. Während des Denkprozesses kann es eine Region auswählen, bestimmte Szenen aus einem Video extrahieren oder Code ausführen, um zu messen oder zu vergleichen, was es betrachtet – ein Mechanismus, den Elorian „visuelles Scratch-Space“ nennt. Stellen Sie sich jemanden vor, der mit dem Fingernagel auf ein Telefonfoto zoomen will, um sicherzustellen, was er gerade gesehen hat.
Für Andrew Dai, ehemaliger Forscher bei Google DeepMind und CEO von Elorian, war einer der klarsten Anzeichen dafür, dass KI noch nicht wirklich sehen kann, während der Spielnachmittag stattfand.
Letztes Jahr fotografierte er ein Brettspiel, das er gerade mit Freunden fertiggestellt hatte, und fragte eine Grenzmodell, wer gewann. Es konnte nicht gesagt werden. „Jedes Brettspiel hat seine eigene visuelle Sprache, seine eigene Ikonographie, Symbole“, sagte er gegenüber TechCrunch. „Für einen Erwachsenen ist es ziemlich einfach zu verstehen, was vor sich geht, mit minimalem Text – aber diese Modelle können nicht intuitiv erkennen, was die Symbole bedeuten.“
„Menschen können sich IKEA-Diagramme ohne Text ansehen und IKEA-Möbel zusammenbauen, oder? Warum können AI-Modelle das nicht?“ sagte er.
Die Methode ist nicht völlig neu – OpenAI fügte 2025 das Crop-and-Zoom-Verfahren zu seinen o-Serie-Modellen hinzu – aber Elorians Vorschlag ist, das gesamte Modell günstig um dieses Verfahren herum aufzubauen. Das Unternehmen behauptet, dass eine kleine Gruppe von Mitarbeitern Glimpse auf ein paar hundert GPUs trainiert hat und dass das Modell deutlich kleiner ist als die Systeme, mit denen es verglichen wird.
Der Eindruck kostet 0,60 Dollar pro Million Tokens ein und 3 Dollar pro Million Tokens aus – billiger als leichtere Modelle wie Sonnet und Sol, aber teurer als leichte Modelle wie Haiku und Luna.
Laut Elorians Bewertungen übertrifft Glimpse sogar GPT-6 Astra in Bezug auf den wissenschaftlichen Chart-Rationalismus und die kurze Video-Zuordnung, und erzielt auch bei anderen visuellen Rätselaufgaben konkurrenzfähige Ergebnisse.
Elorian ist vor sechs Monaten aus dem Versteck hervorgekommen – mit einer Runde, die von Striker Venture Partners, Menlo Ventures und Altimeter Capital geleitet wurde, mit Beteiligung von Nvidia und dem Leiter des wissenschaftlichen Teams bei Google, Jeff Dean.
Die ursprünglichen Ziele sind Unternehmen, die viele Videos verwenden: Robotikfirmen, wissenschaftliche Labore, Medien- und kreative Unternehmen. Langfristig möchte Elorian von der Theorie zu der Praxis übergehen. Das bedeutet, ein Modell einer Szene zu erstellen, um darauf basierend eine Handlung auszuwählen – einschließlich der direkten Steuerung von Robotern. Im nächsten Jahr zielt das Unternehmen, „das beste visuelle Rechenmodell der Welt“ zu entwickeln, eines, das bei allen visuellen Rechentests an erster Stelle bleibt.