Elorians Glimpse-modell använder bilder för visuellt resonemang

Elorian, en AI-startup i Palo Alto, har släppt sin första modell, Glimpse, som en forskningsförhandsversion med API-åtkomst. Chattgränssnittet går enligt TechCrunch, som rapporterade exklusivt om lanseringen, bara att använda via en väntelista. Företaget tog in en såddrunda på 55 miljoner dollar till en värdering på 300 miljoner dollar innan det lanserade en produkt.

Elorian säger att Glimpse kan återvända till bilder medan modellen resonerar. Den kan beskära områden, hämta bildrutor från video och köra kod för att mäta eller jämföra visuella detaljer. Företaget kallar detta för ett ”visuellt skissutrymme”. Tanken är att modellen ska kunna kontrollera vad den ser, i stället för att enbart utgå från en första omvandling av bilden till token.

Enligt Elorian tränade ett litet team Glimpse med några hundra GPU:er, och modellen är betydligt mindre än de ledande system som den jämförs med i företagets utvärderingar. Elorians egna tester visar att Glimpse överträffar GPT-6 Astra när det gäller resonemang kring vetenskapliga diagram och textning av korta videor. Modellen ger konkurrenskraftiga resultat även på andra uppgifter inom visuellt resonemang. Resultaten kommer från Elorians egna utvärderingar.

Priset är 0,60 dollar per miljon indatatoken och 3 dollar per miljon utdatatoken. Elorians första målgrupp är företag med stora mängder video, bland annat robotikföretag, vetenskapliga laboratorier samt medie- och kreativa företag. VD:n Andrew Dai sade att företaget siktar på att bygga ”världens bästa modell för visuellt resonemang” nästa år. På längre sikt vill Elorian använda scenförståelse för att välja handlingar, bland annat för att styra robotar.