Elorian这家位于帕洛阿尔托的 AI 初创公司在推出产品之前就以 3 亿美元估值完成了 5500 万美元种子轮融资，于周五发布了其首个模型，TechCrunch 独家获悉。
该模型，Glimpse以研究预览版形式发布，提供 API 访问，聊天界面仅限候补名单，所以目前它只是一张结果表格和一个论点。这个论点是什么？当今的 AI 模型，尽管在语言和代码方面技艺高超，却仍然无法真正“看见”。
大多数多模态模型只看一次图像，将其转换为 token，然后用文本进行推理——就像凭记忆描述一张照片。Glimpse 则不断回到源头。在推理过程中，它可以裁剪到某个区域、从视频中提取特定帧，或运行代码来测量或比较它所看到的内容，Elorian 将这一机制称为“视觉草稿空间”。想象一下有人在手机上捏合放大照片，以复核自己以为看到的内容。
对于前 Google DeepMind 研究员、Elorian CEO Andrew Dai 来说，AI 仍然无法真正“看见”的最明显迹象之一出现在游戏之夜。
去年，他拍下了一张刚和朋友们玩完的桌游照片，并询问一个前沿模型谁在赢。它答不上来。桌游“各有各的视觉语言，各有各的图像符号、象征，”他告诉 TechCrunch。“对成年人来说，仅凭极少的文字就很容易理解发生了什么，但这些模型无法凭直觉理解这些符号的含义。”
“人类可以看着没有文字的宜家说明书，组装宜家家具，对吧？为什么 AI 模型不行？”他说。
这种方法并不完全新颖——OpenAI 在 2025 年为其 o 系列模型在推理过程中加入了裁剪和缩放功能——但 Elorian 的卖点是它围绕这一能力以低成本构建了整个模型。该公司表示，一个小团队在几百块 GPU 上训练了 Glimpse，而且该模型的规模远小于它所对标的前沿系统。
Glimpse 的价格为每百万输入 token 0.60 美元、每百万输出 token 3 美元——比 Sonnet 和 Sol 等中端模型便宜，但比 Haiku 和 Luna 等轻量级模型贵。
但根据 Elorian 的评估，Glimpse 在科学图表推理和短视频字幕生成上甚至超过了 GPT-6 Astra，在其他视觉推理任务上也取得了有竞争力的结果。
Elorian 六个月前结束隐身状态，完成了一轮由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 联合领投、Nvidia 和 Google 首席科学家 Jeff Dean 参投的融资。
最初的目标客户是拥有大量视频的公司：机器人公司、科学实验室、媒体和创意公司。长期来看，Elorian 希望从“看”走向“做”。这意味着构建一个场景模型，并利用它来选择行动，包括直接控制机器人。Dai 表示，明年公司的目标是打造“世界上最好的视觉推理模型”，一个在每一项视觉推理测试中都领先的模型。
当您通过我们文章中的链接进行购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。
Aditya Mehta 是 TechCrunch 报道 AI 的记者。他获得了 Tarbell 人工智能新闻中心的资助，并曾就读于 UC Berkeley。您可以通过发送邮件至以下地址联系 Aditya：[email protected]或通过 Signal 上的加密消息联系 adymehta.74。