מודלי AI יודעים לקרוא טקסט ולכתוב קוד, אבל הם עדיין מתקשים להסתכל על תמונה כמו אדם. מודל רגיל מעבד תמונה פעם אחת, הופך אותה לטוקנים, ואז מנמק עליה בטקסט, בערך כמו מי שמתאר תמונה מהזיכרון. Elorian, סטארט-אפ מפאלו אלטו, טוענת שהמודל הראשון שלה, Glimpse, עושה דבר אחר: הוא חוזר אל התמונה שוב ושוב בזמן שהוא חושב.
מה החברה משיקה
Glimpse משתחרר כתצוגה מקדימה למחקר עם גישת API. ממשק הצ'אט פתוח כרגע לרשימת המתנה בלבד, ולכן מי שרוצה לנסות אותו בשלב הזה צריך לעבוד דרך ה-API. דף המודלים של החברה מאשר את הגישה המוקדמת ואת רשימת ההמתנה.
המנגנון המרכזי נקרא בחברה מרחב עבודה חזותי (visual scratch space). במהלך הנימוק המודל יכול לחתוך אזור מסוים בתמונה, לשלוף פריים מסוים מסרטון, או להריץ קוד שמודד ומשווה מה שהוא רואה. ההשוואה שמעלה TechCrunch היא לאדם שמגדיל תמונה בטלפון כדי לבדוק משהו שחשב שראה.
התמחור, לפי TechCrunch: 0.60 דולר למיליון טוקנים של קלט ו-3 דולר למיליון טוקנים של פלט. זה זול ממודלים בינוניים כמו Sonnet ו-Sol, ויקר ממודלים קלים כמו Haiku ו-Luna.
מה המודל עושה טוב, ומה עדיין לא ידוע
לפי הערכות של Elorian עצמה, Glimpse עולה על GPT-6 Astra בהבנת תרשימים מדעיים ובכיתוב קצר של וידאו, ומציג תוצאות תחרותיות במשימות ראייה נוספות. אלה מספרים שהחברה פרסמה בעצמה, ועדיין אין מדדים עצמאיים שמאמתים אותם. עד שייבדקו מחוץ לחברה, כדאי לקרוא את ההשוואה כטענה של היצרן.
החברה אומרת גם שאימנה את המודל על כמה מאות כרטיסי GPU בלבד, ושהוא קטן משמעותית מהמערכות החזיתיות שהיא משווה אליהן. גם את זה צריך לקרוא כטענה של החברה, כי TechCrunch לא פירט את הנתונים.
מי עומד מאחוריה
לפי TechCrunch, Elorian גייסה לפני ההשקה סבב seed של 55 מיליון דולר בשווי של 300 מיליון דולר, בהובלה משותפת של Striker Venture Partners, Menlo Ventures ו-Altimeter Capital, בהשתתפות Nvidia וג'ף דין, כיועץ מדעי של גוגל. מנכ"ל החברה הוא Andrew Dai, חוקר לשעבר ב-Google DeepMind.
Dai מספר שהרגע שבו הבין את הבעיה היה משחק קופסה עם חברים. הוא צילם את לוח המשחק בסוף הערב ושאל מודל חזית מי מנצח. המודל לא ידע לענות. לדבריו, למשחקי קופסה יש "שפה חזותית משלהם" וסמלים משלהם, ומבוגר מבין אותם בקלות עם מעט מאוד טקסט, בעוד שמודלים לא מצליחים להבין מה הסמלים אומרים. הוא הוסיף שבני אדם מסוגלים להרכיב רהיט איקאה מתוך תרשימים בלי מילה אחת, ושאל למה מודלים לא מסוגלים לכך.
הרעיון לא חדש, אבל הבניה כן
גישת החיתוך והזום בתוך הנימוק אינה חדשה. לפי TechCrunch, OpenAI הוסיפה יכולת דומה למודלי סדרת o ב-2025. ההבדל ש-Elorian טוענת לו הוא שבנתה את המודל כולו סביב היכולת הזו, ולא הוסיפה אותה כתוספת. לקוחות היעד הראשונים הם חברות שיושבות על הרבה וידאו: חברות רובוטיקה, מעבדות מדעיות וחברות מדיה ויצירה. בטווח הארוך החברה רוצה לעבור מראייה לפעולה, כלומר לבנות מודל של סצנה שמאפשר לתכנן פעולות בתוכה.
מה לעקוב אחריו
השאלה הפתוחה היא אם היכולת הזו תישאר בגרסה הרחבה של המודל, מחוץ לדמו ומחוץ לרשימת ההמתנה, וכשייפתח גישה לציבור רחב יותר יהיה אפשר למדוד אותה מול מודלים אחרים. עד אז, הסיפור הוא הרעיון עצמו: מודל שלא מתייחס לתמונה כנתון חד-פעמי, אלא ממשיך לעבוד איתה במהלך התשובה.
מקורות:
TechCrunch
elorian.ai