El primer modelo de IA de Elorian quiere razonar con imágenes, no solo sobre ellas

Elorian, una startup de IA con sede en Palo Alto que recaudó 55 millones de dólares en una ronda semilla con una valoración de 300 millones antes de lanzar un producto, ha lanzado su primer modelo, Glimpse, como una vista previa de investigación con acceso a API y una interfaz de chat solo por lista de espera. El modelo desafía la noción de que los sistemas de IA actuales pueden ver realmente; en lugar de convertir imágenes a tokens una vez y razonar en texto, Glimpse utiliza un "espacio de trabajo visual" que le permite recortar regiones, extraer fotogramas específicos de videos o ejecutar código para medir y comparar elementos visuales durante el razonamiento. El CEO Andrew Dai, ex investigador de Google DeepMind, cita ejemplos cotidianos como la incapacidad de la IA para determinar quién va ganando en un juego de mesa a partir de una foto o ensamblar muebles IKEA a partir de diagramas como evidencia de esta limitación. Aunque el enfoque de recortar y hacer zoom durante el razonamiento no es completamente nuevo, Elorian construyó todo su modelo en torno a él de manera económica, entrenando con unos pocos cientos de GPU y un equipo pequeño. Glimpse cuesta $0.60 por millón de tokens de entrada y $3 por millón de tokens de salida, más barato que modelos de nivel medio pero más caro que modelos ligeros. Según las evaluaciones de Elorian, Glimpse supera incluso a GPT-6 Astra en razonamiento de gráficos científicos y subtitulado de videos cortos, con resultados competitivos en otras tareas de razonamiento visual. Los objetivos iniciales son empresas con grandes conjuntos de datos de video, como firmas de robótica, laboratorios científicos y empresas de medios. A largo plazo, Elorian quiere pasar de ver a hacer, incluido el control directo de robots, y el próximo año planea construir "el mejor modelo de razonamiento visual del mundo".

(Fuente：TechCrunch)