Elorian 发布首个模型 Glimpse，以视觉草稿空间做图像推理

Elorian，这家位于帕洛阿尔托的 AI 初创公司在推出产品之前就以 3 亿美元估值完成了 5500 万美元种子轮融资，据 TechCrunch 独家获悉，该公司于周五发布了其首个模型。

该模型名为 Glimpse，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，所以目前它只是一个结果表格和一份论点。论点是什么？如今的 AI 模型，尽管在语言和代码方面技艺高超，却仍然无法真正地“看见”。 

大多数多模态模型只看一次图像，将其转换为 token，然后用文本进行推理——就像凭记忆描述一张照片。Glimpse 则不断回到源头。在推理过程中，它可以裁剪到某个区域、从视频中提取特定帧，或运行代码来测量或比较它所看到的内容，Elorian 将这一机制称为“视觉草稿空间”。想象一下有人在手机照片上双指缩放，以再次确认自己以为看到的东西。

对于前 Google DeepMind 研究员、Elorian CEO Andrew Dai 来说，AI 仍然无法真正“看见”的最明显迹象之一出现在游戏之夜。 

去年，他拍下了一张刚和朋友们玩完的桌游照片，并询问一个前沿模型谁在领先。它答不上来。桌游“每一种都有自己的视觉语言，都有自己的图像符号、符号系统，”他告诉 TechCrunch。“对成年人来说，仅凭极少的文字就很容易理解正在发生什么，但这些模型无法凭直觉理解这些符号的含义。”

“人类可以看着没有任何文字的宜家说明书，组装宜家家具，对吧？为什么 AI 模型做不到？”他说。 

这种方法并非完全新颖——OpenAI 在 2025 年为其 o 系列模型在推理过程中加入了裁剪和缩放功能——但 Elorian 的卖点在于，它以低成本围绕这一功能构建了整个模型。该公司表示，一个小团队在几百块 GPU 上训练了 Glimpse，而且该模型的规模远小于它所对标的前沿系统。 

Glimpse 的定价为每百万输入 token 0.60 美元、每百万输出 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。

但根据 Elorian 的评估，Glimpse 在科学图表推理和短视频字幕方面甚至超过了 GPT-6 Astra，在其他视觉推理任务上也具有竞争力。 

Elorian 于六个月前结束隐身状态，当时完成了一轮由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 联合领投的融资，Nvidia 和 Google 首席科学家 Jeff Dean 参投。

最初的目标客户是拥有大量视频的公司：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，并利用它来选择行动，包括直接控制机器人。Dai 表示，明年公司的目标是打造“世界上最好的视觉推理模型”，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 报道 AI 的记者。他得到了 Tarbell AI 新闻中心的资助，并曾就读于加州大学伯克利分校。您可以通过发送电子邮件至 [email protected] 联系 Aditya，或通过 Signal 上的 adymehta.74 发送加密消息联系他。

查看个人简介