Elorian، استارتاپ هوش مصنوعی مستقر در پالو آلتو که پیش از عرضه محصول، در دور سرمایه‌گذاری بذری ۵۵ میلیون دلار با ارزش‌گذاری ۳۰۰ میلیون دلاری جذب کرده بود، روز جمعه نخستین مدل خود را منتشر کرد؛ خبری که TechCrunch به‌طور اختصاصی به آن دست یافته است.

این مدل که Glimpse نام دارد، در قالب یک پیش‌نمایش پژوهشی عرضه شده و از طریق API در دسترس است. اما دسترسی به رابط چت آن فقط از طریق فهرست انتظار امکان‌پذیر است؛ بنابراین فعلاً تنها چیزی که در دسترس قرار دارد، جدولی از نتایج و یک فرضیه است. فرضیه چیست؟ مدل‌های هوش مصنوعی امروزی، با وجود توانایی‌هایشان در زبان و کدنویسی، هنوز واقعاً نمی‌توانند ببینند.

بیشتر مدل‌های چندوجهی یک‌بار به تصویر نگاه می‌کنند، آن را به توکن تبدیل می‌کنند و سپس با متن درباره‌اش استدلال می‌کنند؛ مثل این‌که عکسی را از روی حافظه توصیف کنند. اما Glimpse بارها به منبع اصلی برمی‌گردد. این مدل می‌تواند هنگام استدلال، بخشی از تصویر را برش دهد، فریم‌های مشخصی از ویدئو استخراج کند یا برای اندازه‌گیری و مقایسه آنچه می‌بیند، کد اجرا کند؛ سازوکاری که Elorian آن را «visual scratch space» می‌نامد. تصور کنید کسی برای بررسی دوباره چیزی که فکر می‌کند دیده است، روی عکس گوشی‌اش دو انگشت بگذارد و تصویر را بزرگ‌نمایی کند.

برای Andrew Dai، پژوهشگر پیشین Google DeepMind و مدیرعامل Elorian، یکی از روشن‌ترین نشانه‌ها از این‌که هوش مصنوعی هنوز واقعاً نمی‌تواند ببیند، در شب بازی آشکار شد.

سال گذشته، او از صفحه یک بازی رومیزی که به‌تازگی با دوستانش تمام کرده بود عکس گرفت و از یک مدل پیشرو پرسید چه کسی برنده است. مدل نتوانست پاسخ دهد. او به TechCrunch گفت بازی‌های رومیزی «هرکدام زبان بصری و شمایل‌نگاری و نمادهای خاص خودشان را دارند. برای یک بزرگسال، فهمیدن اتفاقات با کمترین میزان متن نسبتاً آسان است، اما این مدل‌ها نمی‌توانند معنای نمادها را به‌درستی حدس بزنند.»

او گفت: «آدم‌ها می‌توانند به راهنماهای تصویری IKEA که هیچ متنی ندارند نگاه کنند و مبلمان IKEA را سر هم کنند، درست است؟ پس چرا مدل‌های هوش مصنوعی نمی‌توانند؟»

این رویکرد کاملاً جدید نیست؛ OpenAI در سال ۲۰۲۵ قابلیت برش و بزرگ‌نمایی تصویر هنگام استدلال را به مدل‌های سری o خود اضافه کرد. اما ادعای Elorian این است که کل مدل را از پایه بر همین اساس و با هزینه‌ای اندک ساخته است. این شرکت می‌گوید تیمی کوچک Glimpse را با چندصد GPU آموزش داده و این مدل به‌مراتب کوچک‌تر از سامانه‌های پیشرویی است که با آن‌ها مقایسه شده است.

هزینه استفاده از Glimpse برای هر یک میلیون توکن ورودی ۰٫۶۰ دلار و برای هر یک میلیون توکن خروجی ۳ دلار است؛ ارزان‌تر از مدل‌های میان‌رده‌ای مانند Sonnet و Sol، اما گران‌تر از مدل‌های سبک‌تری مانند Haiku و Luna.

بااین‌حال، طبق ارزیابی‌های Elorian، Glimpse در استدلال درباره نمودارهای علمی و کپشن‌نویسی ویدئوهای کوتاه از GPT-6 Astra هم بهتر عمل می‌کند و در دیگر وظایف استدلال بصری نیز نتایجی رقابتی دارد.

Elorian شش ماه پیش، پس از جذب سرمایه‌ای که Striker Venture Partners، Menlo Ventures و Altimeter Capital به‌طور مشترک رهبری آن را بر عهده داشتند، از حالت مخفی‌کاری خارج شد. Nvidia و Jeff Dean، دانشمند ارشد Google، نیز در این دور سرمایه‌گذاری مشارکت کردند.

مشتریان هدف اولیه این شرکت، کسب‌وکارهایی هستند که حجم زیادی ویدئو در اختیار دارند؛ ازجمله شرکت‌های رباتیک، آزمایشگاه‌های علمی و شرکت‌های رسانه‌ای و خلاق. Elorian در بلندمدت می‌خواهد از دیدن به انجام‌دادن برسد. این یعنی ساخت مدلی از یک صحنه و استفاده از آن برای انتخاب یک اقدام، ازجمله کنترل مستقیم ربات‌ها. Dai گفت این شرکت قصد دارد سال آینده «بهترین مدل استدلال بصری جهان» را بسازد؛ مدلی که در همه آزمون‌های استدلال بصری پیشتاز باشد.