埃洛里安，这家在推出产品之前以3亿美元估值获得5500万美元种子轮融资的硅谷AI初创公司，于周五发布了其首个模型，TechCrunch独家获悉。这个名为Glimpse的模型以研究预览版的形式发布，API访问和聊天界面目前仅限于等待列表，因此现在它只是一个结果表和一篇论文。这篇论文的主题是什么？今天的AI模型，尽管在语言和代码方面表现出色，但仍然无法真正“看”。大多数多模态模型只看一次图像，将其转换为令牌，然后用文本推理——就像从记忆中描述一张照片。Glimpse则不断回到源头。在推理过程中，它可以裁剪特定区域，从视频中提取特定帧，或者运行代码来测量或比较它所看到的内容，埃洛里安称之为“视觉临时空间”。想象一个人在手机照片上捏合放大，以仔细确认他们所看到的内容。对于前谷歌DeepMind研究员和埃洛里安首席执行官Andrew Dai来说，AI仍然无法真正看见的最明显的迹象是在游戏夜。去年，他拍了一张他刚与朋友们完成的棋盘游戏的照片，并问一个前沿模型谁在赢。它无法回答。棋盘游戏“每个都有自己的视觉语言，各自有自己的图标和符号，”他对TechCrunch说道。“对成年人来说，了解情况往往很简单，只需最少的文字，但这些模型无法直观地理解这些符号的含义。” “人类可以看着宜家图示（IKEA diagrams），没有文字，并组装宜家家具，为什么AI模型做不到？”他说。这个方法并不是完全新颖——OpenAI在2025年为其o系列模型添加了裁剪和放大功能——但埃洛里安的主张是，它围绕这一点构建了整个模型，成本低廉。该公司表示，一个小团队在几百个GPU上训练了Glimpse，并且该模型显著小于与之进行基准测试的前沿系统。Glimpse的花费是每百万个输入令牌0.60美元，输出每百万个令牌3美元——比中档模型如Sonnet和Sol便宜，但比轻量级模型如Haiku和Luna贵。然而，根据埃洛里安的评估，Glimpse在科学图表推理和短视频字幕方面的表现甚至超过了GPT-6 Astra，并在其他视觉推理任务中具有竞争力的结果。埃洛里安在六个月前揭开了面纱，获得了由Striker Venture Partners、Menlo Ventures和Altimeter Capital共同领导的融资，Nvidia和谷歌首席科学家Jeff Dean也参与了其中。首要目标是聚集大量视频的公司：机器人公司、科学实验室、媒体和创意公司。从长远来看，埃洛里安希望从“看”转向“做”。这意味着构建一个场景模型，然后用它来选择动作，包括直接控制机器人。戴透露，明年，该公司计划构建“世界上最佳的视觉推理模型”，希望在每个视觉推理测试中领先。当你通过我们文章中的链接购买时，我们可能会赚取一小笔佣金。这不会影响我们的编辑独立性。Aditya Mehta是TechCrunch的一名记者，专注于AI。他得到了塔贝尔AI新闻中心的支持，并曾就读于加州大学伯克利分校。你可以通过发送电子邮件至aditya@techcrunch.com或通过Signal上的加密消息联系Aditya，账号为adymehta.74。查看个人资料