Bemutatta első AI-modeljét az Elorian, a Glimpse visszamegy a képekbe

Az Elorian AI-startup pénteken mutatta be első modelljét, a Glimpse-t. A kutatói előzetesként elérhető Glimpse egyedi megközelítéssel próbálja meg túlszárnyalni a jelenlegi multimodális modelleket: nem csupán szöveggé alakítja a látottakat, hanem képes visszamenni az eredeti képhez, belenagyítani, videókockákat kivágni vagy kódot futtatni az elemzéshez. Ezt a képességet a cég „vizuális scratch space”-nek nevezi. (TechCrunch)

Andrew Dai, az Elorian vezérigazgatója szerint a multimodális modellek még mindig nem látnak igazán. Példaként egy társasjátékot hozott fel, amit egy fejlett modellnek sem tudott megmagyarázni, hogy ki vezet éppen, mert a modell nem értette a szimbólumokat. „Az emberi Ikea-útmutatók szöveg nélkül is érthetők, miért nem az AI-modellek?” — tette fel a kérdést Dai.

Az Elorian állítása szerint a Glimpse-t néhány száz GPU-n tanították be, és lényegesen kisebb, mint a vele összehasonlított csúcskategóriás rendszerek. Az API-hozzáférés ára 0,60 dollár egymillió bemeneti tokenre és 3 dollár egymillió kimeneti tokenre. Ez olcsóbb, mint a középkategóriás Sonnet és Sol modellek, de drágább, mint a könnyűsúlyú Haiku és Luna. Az Elorian saját értékelései alapján a Glimpse tudományos ábrák elemzésében és rövid videók feliratozásában felülmúlja a GPT-6 Astra-t, más vizuális érvelési feladatokban pedig versenyképes eredményeket ér el.

Az Elorian hat hónapja lépett ki az ismeretlenségből egy 55 millió dolláros seed-körrel, amelyet a Striker Venture Partners, a Menlo Ventures és az Altimeter Capital vezetett, Nvidia és Jeff Dean részvételével. A kezdeti célközönség a rengeteg videóval rendelkező cégek: robotikai vállalatok, tudományos laborok, média- és kreatív cégek.

Hosszabb távon az Elorian a látásból a cselekvés felé szeretne elmozdulni. Ez azt jelenti, hogy egy jelenet modelljének felépítésével és annak felhasználásával választanak ki egy cselekvést, beleértve a robotok közvetlen irányítását is. Jövőre Dai szerint a cég célja „a világ legjobb vizuális érvelési modelljének” felépítése.