Elorian是一家总部位于帕洛阿尔托的AI初创公司，在推出产品之前就已完成了5500万美元的种子轮融资，估值达到3亿美元。TechCrunch独家获悉，该公司于本周五发布了其首款模型。
这款名为Glimpse的模型目前以研究预览的形式发布，提供API访问权限，而聊天界面仍需排队等待，因此现阶段外界能看到的主要是一份结果对比表和一套理念阐述。这套理念的核心是：如今的AI模型即便在语言和代码方面表现出色，依然无法真正"看懂"图像。
多模态模型
大多数多模态模型对图像的处理方式是：只看一次，将其转换为Token，然后基于文本进行推理——这就像凭记忆描述一张照片。而Glimpse的做法是不断回溯原始图像本身。在推理过程中，它可以裁剪放大某个区域，从视频中提取特定帧，或者运行代码来测量、比较所观察到的内容，Elorian将这一机制称为"视觉草稿空间"。这就好比有人在手机照片上用手指放大画面，以确认自己刚才看到的究竟是什么。
对于Elorian首席执行官、前谷歌DeepMind研究员安德鲁·戴（Andrew Dai）来说，一个最能说明AI仍无法真正"看懂"图像的例子发生在一次游戏夜。
去年，他给刚和朋友们玩完的一款桌游拍了张照片，然后问一个前沿模型谁赢了。模型答不出来。他告诉TechCrunch，桌游"各自有自己的视觉语言，各自有自己的图标体系和符号系统"。"对成年人来说，即便文字说明很少，也能很容易理解游戏进展，但这些模型却无法领会这些符号的含义。"
"人类看着没有任何文字说明的宜家家具图纸就能组装起来，对吧？为什么AI模型做不到？"他说。
这种方法并非完全是新鲜事物——OpenAI在2025年就为其o系列模型的推理过程加入了裁剪缩放功能——但Elorian的独特之处在于，它是围绕这一机制从零打造了整个模型，而且成本低廉。该公司表示，一个小团队仅用数百块GPU就训练出了Glimpse，而且这款模型的规模远小于与其进行基准对比的前沿系统。
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、Sol等中端模型便宜，但比Haiku、Luna等轻量级模型更贵。
但根据Elorian自身的评测结果，Glimpse在科学图表推理和短视频字幕生成方面的表现甚至超过了GPT-6 Astra，在其他视觉推理任务上也取得了具有竞争力的成绩。
Elorian六个月前结束隐身状态公开亮相，当时完成的融资轮由Striker Venture Partners、Menlo Ventures和Altimeter Capital联合领投，英伟达和谷歌首席科学家杰夫·迪恩（Jeff Dean）也参与了投资。
公司最初的目标客户是那些拥有大量视频数据的企业：机器人公司、科研实验室、媒体机构和创意型企业。从长远来看，Elorian希望从"看懂"迈向"行动"。这意味着要基于场景构建模型，并利用该模型来选择行动方案，包括直接控制机器人。戴表示，明年公司的目标是打造出"全球最佳的视觉推理模型"——一款在所有视觉推理测试中都能领先的模型。
Q&A
Q1：Glimpse模型是什么？它和其他AI模型有什么不同？
A：Glimpse是Elorian公司发布的首款AI模型，与大多数多模态模型只看一次图像就转为文本推理不同，Glimpse在推理过程中会不断回溯原始图像，可以裁剪放大、提取视频帧或运行代码来核实观察内容，这一机制被称为"视觉草稿空间"。
Q2：Glimpse的训练成本和定价是多少？
A：据Elorian介绍，一个小团队仅用数百块GPU就训练出了Glimpse，模型规模远小于对比的前沿系统。定价为每百万输入Token 0.60美元、每百万输出Token 3美元，比Sonnet、Sol等中端模型便宜，但比Haiku、Luna等轻量级模型贵。
Q3：Elorian公司未来的发展目标是什么？
A：Elorian目前的主要客户是机器人公司、科研实验室、媒体和创意企业等拥有大量视频数据的机构。公司长期目标是从"看懂"图像迈向"行动"，包括直接控制机器人，并计划明年打造全球最佳的视觉推理模型。
热门跟贴