Elorianの最初のAIモデルは、画像についてだけでなく、画像で推論することを目指す

Elorianは、製品発売前に3億ドルの評価額で5500万ドルのシードラウンドを調達したパロアルトのAIスタートアップで、最初のモデルGlimpseを研究プレビューとしてリリースした。APIアクセスを提供し、チャットインターフェースはウェイトリスト限定である。このモデルは、現在のAIシステムが本当に「見る」ことができるという概念に挑戦する。Glimpseは、画像を一度トークンに変換してテキストで推論するのではなく、「視覚的スクラッチスペース」を使用し、推論中に領域をトリミングしたり、ビデオから特定のフレームを抽出したり、コードを実行して視覚要素を測定・比較したりできる。CEOのAndrew Daiは元Google DeepMindの研究者で、AIが写真からボードゲームの勝者を判断できない、またはIKEAの図から家具を組み立てられないといった日常的な例を挙げ、この限界を説明する。推論中のトリミングとズームのアプローチは完全に新しいわけではないが、Elorianは低コストでモデル全体をそれに基づいて構築し、数百のGPUと小規模チームで訓練した。Glimpseの価格は、入力100万トークンあたり0.60ドル、出力100万トークンあたり3ドルで、中級モデルより安く、軽量モデルより高い。Elorianの評価によると、Glimpseは科学チャート推論とショートビデオのキャプションでGPT-6 Astraをも上回り、他の視覚推論タスクでも競争力のある結果を示す。初期のターゲットは、ロボティクス企業、科学研究所、メディア企業など、大量のビデオデータを持つ企業である。長期的には、Elorianは「見る」から「行う」への移行を目指し、ロボットを直接制御することを含む。来年には「世界最高の視覚推論モデル」を構築する計画である。

(出典：TechCrunch)