Elorian 发布首个模型 Glimpse，以视觉草稿空间做图像推理
Elorian’s first AI model wants to reason with images, not just about them
Elorian 发布首个模型 Glimpse，以研究预览形式开放 API，聊天界面需排队等候。该模型在推理过程中可裁剪图像区域、抽取视频帧或运行代码来测量和比较所见内容，Elorian 称之为视觉草稿空间。Glimpse 定价为每百万 token 输入 0.60 美元、输出 3 美元，据 Elorian 评测在科学图表推理和短视频描述上超过 GPT-6 Astra。公司称该模型用数百块 GPU 训练，规模明显小于对标的 frontier 系统，初期面向机器人、科研实验室和媒体创意等拥有大量视频的企业。
正文 · AI 翻译
TechCrunch独家获悉，Elorian于周五发布了其首个模型。这家帕洛阿尔托的AI初创公司在尚未推出产品之前，就以3亿美元估值完成了5500万美元的种子轮融资。
该模型名为Glimpse，以研究预览形式发布，提供API访问，聊天界面仅限候补名单，因此目前它只是一张结果表格和一份论点。这份论点是什么？当今的AI模型，尽管在语言和代码方面技艺高超，却仍然无法真正“看见”。
大多数多模态模型只查看一次图像，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则会不断回到源头。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”。可以想象成有人在手机上捏合放大照片，以复核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，他拍下自己和朋友们刚玩完的一款桌游，并询问一个前沿模型谁在获胜。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和象征，”他告诉TechCrunch。“对成年人来说，仅凭极少的文字就很容易理解发生了什么，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模型不行？”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能力构建了整个模型。该公司表示，一个小团队用几百块GPU训练了Glimpse，而且该模型的规模远小于它所对标的那些前沿系统。
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描述方面甚至超过了GPT-6 Astra，在其他视觉推理任务上也具有竞争力。
Elorian在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。
初期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”。这意味着要构建场景模型，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”，在每一项视觉推理测试中都领先。