Elorian——这家位于帕洛阿尔托的 AI 初创公司，在推出产品之前以 3 亿美元估值筹集了 5500 万美元的种子轮资金。据 TechCrunch 独家报道，该公司于周五发布了其首个模型。
该模型 Glimpse 作为研究预览版本正在推出，具备 API 访问功能，而聊天界面仅对等待名单开放。因此目前它仍只是一个结果表格和一篇论文。那篇论文是什么？如今的 AI 模型，尽管在语言和代码方面非常熟练，但实际上仍然无法真正“看见”事物。
大多数多模态模型只会一次查看一张图片，将其转换为标记，然后以文本形式对其进行推理——就像从记忆中描述一张照片一样。Glimpse则会不断回到原始数据。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所看到的内容，Elorian将这种机制称为“视觉 scratch space”。可以想象成有人用手指捏住手机照片进行放大，以确认自己所看到的内容是否准确。
对于前 Google DeepMind 研究员兼 Elorian 首席执行官安德鲁·戴来说，最明显的迹象表明人工智能仍然无法真正看见，出现在游戏之夜。
去年，他拍摄了一款他刚刚和朋友一起完成的棋盘游戏，并询问了一位边境模特谁获胜了。模特说不清楚。他对 TechCrunch 表示：“每种棋盘游戏都有自己独特的视觉语言、图标和符号。对成年人来说，通过最少文字就能很容易理解游戏内容，但这些模特无法凭直觉明白这些符号的含义。”
“人类可以只看 IKEA 的图，没有文字，就能组装 IKEA 的家具，对吧？为什么人工智能模型不行呢？”他说。
这种方法并非完全新事物——OpenAI在2025年就在其o系列模型中加入了裁剪与缩放功能——但Elorian的论点认为，他们是以低成本的方式围绕这一功能构建整个模型。该公司表示，一个小型团队利用几百台GPU对Glimpse进行了训练，且该模型的规模明显小于他们作为基准对比的系统。
每百万令牌的成本为 0.60 美元，而输出时的成本为 3 美元——比 Sonnet 和 Sol 这类中等级别模型更便宜，但比 Haiku 和 Luna 这类轻量级模型更贵。
但根据 Elorian 的评估，Glimpse 在科学图表推理和短格式视频字幕任务中的表现甚至优于 GPT-6 Astra，在其他视觉推理任务上也取得了有竞争力的成绩。
六个月前，Elorian 以隐秘身份公开亮相，该轮融资由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 牵头，Nvidia 和 Google 首席科学家 Jeff Dean 也参与了投资。
最初的目标是那些拥有大量视频内容的公司：机器人公司、科学实验室、媒体及创意企业。从长远来看，Elorian希望从理论到实践实现转变。这意味着利用这些视频内容构建场景模型，从而选择相应动作，甚至直接控制机器人。Dai表示，明年该公司旨在打造“全球最优秀的视觉推理模型”，并在所有视觉推理测试中处于领先地位。