ИИ-модель Glimpse описывает короткие видео лучше GPT-6 Astra, заявляет Elorian
Стартап Elorian из Пало-Альто выпустил свою первую ИИ-модель Glimpse для работы с визуальной информацией. Она доступна в исследовательском режиме через API, а чат-интерфейс пока можно получить только по списку ожидания.
Многие мультимодальные модели обрабатывают изображение один раз, превращают его в токены, а затем рассуждают о нём текстом. Glimpse может возвращаться к исходному изображению во время ответа: увеличивать отдельные участки, извлекать нужные кадры из видео или запускать код, чтобы измерять и сравнивать увиденное. В Elorian называют этот механизм «визуальным рабочим пространством».
Генеральный директор компании Эндрю Дай, ранее работавший в Google DeepMind, объяснил интерес к такой технологии случаем с настольной игрой. Он сфотографировал игровое поле после партии с друзьями и попросил одну из ведущих моделей определить, кто выигрывает. Модель не справилась: для ответа нужно было понять символы и визуальный язык игры. По словам Дая, человеку часто достаточно изображения, даже если на нём почти нет текста.
Возможности и цена Glimpse
OpenAI добавила похожую функцию в модели серии o в 2025 году. Elorian утверждает, что сделала этот подход основой всей Glimpse. По словам компании, небольшая команда обучила модель на нескольких сотнях графических процессоров. Сама Glimpse значительно меньше систем высокого уровня, с которыми её сравнивали.
По оценкам Elorian, Glimpse превосходит GPT-6 Astra в рассуждениях по научным графикам и создании кратких описаний видео. В других задачах на визуальное рассуждение модель показывает конкурентоспособные результаты. Компания установила цену в $0,60 (около 50 ₽) за миллион входных токенов и $3 (около 250 ₽) за миллион выходных. Это дороже лёгких моделей Haiku и Luna, но дешевле моделей среднего уровня Sonnet и Sol.
Elorian вышла из скрытого режима шесть месяцев назад после посевного раунда на $55 млн (около 4,6 млрд ₽), при оценке компании в $300 млн (около 25,1 млрд ₽). Раунд совместно возглавили Striker Venture Partners, Menlo Ventures и Altimeter Capital. Среди участников также были Nvidia и главный научный сотрудник Google Джефф Дин.
Первыми клиентами компания считает организации, которые работают с большими объёмами видео: робототехнические фирмы, научные лаборатории, медиакомпании и творческие студии. В перспективе Elorian хочет перейти от анализа визуальной сцены к выбору действий на её основе, в том числе к непосредственному управлению роботами. На следующий год Дай обозначил цель создать «лучшую в мире модель визуального рассуждения», лидирующую во всех тестах этого типа.
