اولین مدل هوش مصنوعی الوریان می خواهد با تصاویر استدلال کند، نه فقط درباره آنها

الوریانTechCrunch به طور انحصاری دریافته است که استارت آپ هوش مصنوعی Palo Alto که قبل از عرضه یک محصول، سرمایه اولیه 55 میلیون دلاری را با ارزش 300 میلیون دلاری به دست آورد، اولین مدل خود را در روز جمعه منتشر کرد.

مدل، نگاه اجمالی، به عنوان پیش نمایش تحقیقاتی با دسترسی API و رابط چت راه اندازی می شود. پایان نامه؟ مدل‌های هوش مصنوعی امروزی، با تمام مهارت‌هایی که در زبان و کد دارند، هنوز واقعاً نمی‌توانند ببینند.

اکثر مدل‌های چند وجهی یک بار به یک تصویر نگاه می‌کنند، آن را به نشانه تبدیل می‌کنند و سپس در مورد آن در متن استدلال می‌کنند – مانند توصیف یک عکس از حافظه. Glimpse مدام به منبع باز می گردد. در حد متوسط، می‌تواند به یک منطقه برش دهد، فریم‌های خاصی را از یک ویدیو بکشد، یا کدی را برای اندازه‌گیری یا مقایسه آنچه که به آن نگاه می‌کند اجرا کند، مکانیزمی که الوریان آن را «فضای خراش بصری» می‌نامد. به کسی فکر کنید که روی عکس تلفن زوم می کند تا آنچه را که فکر می کند دیده است بررسی کند.

برای محقق سابق گوگل دیپ مایند و مدیر عامل Elorian، اندرو دای، یکی از واضح‌ترین نشانه‌هایی که هوش مصنوعی هنوز واقعاً نمی‌توانست ببیند، در شب بازی رخ داد.

سال گذشته او از یک بازی رومیزی که به تازگی با دوستانش تمام کرده بود عکس گرفت و از یک مدل مرزی پرسید که برنده شده است. نمی توانست بگوید. او به TechCrunch گفت: بازی‌های رومیزی «هر کدام زبان بصری خود را دارند، هر کدام نمادها، نمادهای خود را دارند». “برای یک بزرگسال، درک آنچه در متن کمتر اتفاق می افتد بسیار آسان است، اما این مدل ها قادر به درک معنای نمادها نیستند.”

“انسان ها می توانند به نمودارهای Ikea بدون متن نگاه کنند و مبلمان Ikea را جمع آوری کنند، درست است؟ چرا مدل های هوش مصنوعی نمی توانند؟” او گفت.

این رویکرد کاملاً جدید نیست – OpenAI در طول استدلال به مدل‌های سری o خود در سال 2025 برش و زوم را اضافه کرد – اما هدف Elorian این است که کل مدل را با قیمت ارزان ساخته است. این شرکت می‌گوید یک تیم کوچک Glimpse را بر روی چند صد پردازنده گرافیکی آموزش داده‌اند و این مدل به طور قابل‌توجهی کوچک‌تر از سیستم‌های مرزی است.

Glimpse 0.60 دلار به ازای هر میلیون توکن و 3 دلار به ازای هر میلیون توکن خروجی هزینه دارد – ارزان تر از مدل های سطح متوسط ​​مانند Sonnet و Sol اما گران تر از مدل های سبک وزن مانند هایکو و لونا.

اما با توجه به ارزیابی های Elorian، Glimpse حتی از GPT-6 Astra در استدلال علمی نمودار و شرح ویدیوهای کوتاه، با نتایج رقابتی در سایر وظایف استدلال بصری، بهتر عمل می کند.

الوریان شش ماه پیش با یک دور به رهبری Striker Venture Partners، Menlo Ventures و Altimeter Capital با مشارکت Nvidia و دانشمند ارشد گوگل، Jeff Dean، از مخفی کاری خارج شد.

اهداف اولیه شرکت هایی هستند که روی ویدیوهای زیادی نشسته اند: شرکت های رباتیک، آزمایشگاه های علمی، رسانه ها و شرکت های خلاق. در دراز مدت، الوریان می خواهد از دیدن به انجام حرکت کند. این به معنای ساختن یک مدل از صحنه با استفاده از آن برای انتخاب یک عمل، از جمله کنترل مستقیم روبات‌ها است. دای گفت، سال آینده، این شرکت قصد دارد «بهترین مدل استدلال بصری جهان» را بسازد، مدلی که در هر آزمون استدلال بصری پیشرو باشد.