Elorian是一家位于帕洛阿尔托的人工智能初创公司,尚未推出产品便完成了5500万美元的种子轮融资,估值达到3亿美元。TechCrunch独家获悉,该公司于周五发布了首个AI模型——Glimpse。
Glimpse作为一款研究预览模型,提供API访问和聊天界面。其核心理念是:尽管现有AI模型在语言和代码处理上表现出色,但它们依然无法真正“看懂”图像。
目前大多数多模态模型只会对图像进行一次性处理,将其转换为文本标记,然后基于文本进行推理,就像凭记忆描述照片一样。而Glimpse则不断回到图像源头,在推理过程中可以放大特定区域、提取视频中的特定帧,甚至运行代码来测量或比较所观察的内容。Elorian称这种机制为“视觉草稿空间”,类似于人们用手机捏合放大照片以确认细节。
Elorian的CEO、前谷歌DeepMind研究员Andrew Dai分享了他对AI视觉能力不足的直观感受。去年,他拍摄了与朋友刚结束的棋盘游戏,并询问前沿模型谁是赢家,但模型无法回答。他指出,棋盘游戏有自己独特的视觉语言、图标和符号,对成年人来说,几乎不需文字就能理解游戏状态,但现有模型无法直观理解这些符号的含义。
他还提到:“人类可以看着宜家家具的图解说明书,完全没有文字也能组装家具,为什么AI模型做不到呢?”

这种方法并非全新,OpenAI在2025年为其o系列模型加入了推理时的裁剪和放大功能,但Elorian的创新在于将这一机制作为模型设计的核心,并且成本较低。公司表示,Glimpse由一支小团队使用数百个GPU训练完成,模型规模远小于其对标的前沿系统。
Glimpse的使用费用为每百万输入标记0.60美元,输出标记3美元,价格低于中等水平的Sonnet和Sol模型,但高于轻量级的Haiku和Luna模型。
根据Elorian的评测,Glimpse在科学图表推理和短视频字幕生成方面表现优于GPT-6 Astra,并在其他视觉推理任务中也有竞争力的表现。
Elorian六个月前从隐秘状态中亮相,融资由Striker Venture Partners、Menlo Ventures和Altimeter Capital联合领投,Nvidia和谷歌首席科学家Jeff Dean也参与投资。
该公司首批目标客户是拥有大量视频数据的企业,如机器人公司、科研实验室、媒体和创意公司。长远来看,Elorian希望从“看懂”图像发展到“基于视觉做决策”,包括直接控制机器人。Dai透露,公司计划在明年打造“全球最强的视觉推理模型”,在所有视觉推理测试中领先。


