Elorianは、製品を発売する前に3億ドルの評価で5500万ドルのシードラウンドを得たパロアルトAIのスタートアップです。TechCrunchが独占的に明らかにしたところによると、この会社は金曜日に初のモデルを公開しました。
モデル「Glimpse」は、研究プレビューとしてリリースされており、APIアクセス機能やチャットインターフェースは待機リストのみです。現段階では結果表と論文に過ぎません。その論文とは？今日のAIモデルは、言語やコードの処理能力は高いものの、実際には何も見えないのです。
ほとんどの多モーダルモデルは、画像を一度だけ見て、それをトークンに変換し、その後テキストで推理を行う――まるで記憶の中の写真を説明するように。Glimpseは元のデータに戻り続ける。中間的な推理の過程で、特定の領域を切り出したり、ビデオから特定のフレームを抽出したり、測定や比較を行うためのコードを実行したりすることができる。これをElorianは「視覚的スクラッチ空間」と呼んでいる。携帯電話の写真を拡大して確認するように、人が指で押して見るものを確認することを想像してみてください。
元Google DeepMindの研究員であり、ElorianのCEOでもあるアンドリュー・ダイにとって、AIがまだ本当に見えないことを示す最も明確な兆候は、ゲームの夜に現れた。
昨年、彼は友人たちと一緒に終えたボードゲームを撮影し、勝者が誰かを尋ねた。勝者は分からなかった。彼はTechCrunchに「ボードゲームにはそれぞれ独自の視覚言語やイコン、シンボルがある。大人には最小限のテキストで何が起こっているかを理解するのは簡単だが、これらのモデルにはシンボルの意味を直感的に理解することはできない」と語った。
「人間はテキストのないIKEAの図面を見て、IKEAの家具を組み立てることができるでしょう？なぜAIモデルにはできないのか」と彼は言った。
このアプローチは全く新しいものではありません。OpenAIは2025年にoシリーズモデルに推論時の拡大縮小機能を追加しましたが、Elorianの提案では、この機能を利用して安価にモデル全体を構築したということです。同社によると、少数のチームが数百台のGPUを用いてGlimpseをトレーニングし、そのモデルは比較対象となるフロンティアシステムよりも大幅に小さいとのことです。
見切り価格は百万トークンあたり0.60ドルで、百万トークンあたり3ドルです。これはSonnetやSolのような中級モデルよりも安価ですが、HaikuやLunaのような軽量モデルよりも高価です。
しかし、エロリアンの評価によると、Glimpseは科学的な図表の推論や短形ビデオのキャプション生成において、GPT-6 Astraをも上回っており、他の視覚的推論タスクでも競争力のある結果を示しています。
6ヶ月前、エロリアンは隠密行動から現れ、Striker Venture Partners、Menlo Ventures、Altimeter Capitalが主催する円盤型コンピュータープロジェクトが始動し、NvidiaとGoogleの首席科学者ジェフ・ディーンも参加した。
最初の対象は、多くのビデオを保有している企業です。具体的にはロボティクス企業、科学ラボ、メディアやクリエイティブ企業です。より長期的には、Elorianは見るだけでなく実際に行動することに移れることを目指しています。つまり、そのビデオを利用して行動を選択し、ロボットを直接制御するモデルを構築するということです。来年、Daiによると、同社は「世界最高の視覚的推論モデル」を構築することを目指しています。それは、すべての視覚的推論テストで優位なモデルとなるものです。