Elorian发布“视觉草稿纸”模型Glimpse：让AI学会像人一样“眯眼细看”

【科技24时区】当大多数多模态大模型还在试图用文字描述图像时，硅谷一家名为Elorian的初创公司选择了一条更“笨拙”却或许更接近人类直觉的路径。周五，这家在产品尚未面世前便以3亿美元估值完成5500万美元种子轮融资的 Palo Alto AI 新贵，正式推出了其首个模型 Glimpse。不过，目前外界能看到的并非一个即插即用的商业应用，而是一张充满张力的性能对比表、一段等待名单（Waitlist）以及一份关于“机器视觉本质”的宣言。

核心论点直指当下AI的痛点：尽管语言与代码能力已臻化境，但AI依然无法真正“看见”。

传统的多模态模型处理图像的方式，更像是在回忆一张照片——看一眼，转化为Token，然后基于文本进行推理。这好比让人闭上眼睛凭记忆描述眼前的景象。而 Glimpse 的不同之处在于它拥有一块“视觉草稿纸”（Visual Scratch Space）。在推理过程中，它能像人类盯着手机屏幕放大图片以确认细节那样，动态地裁剪区域、提取视频特定帧，甚至运行代码来测量或比较所见之物。这种机制并非完全首创，OpenAI 早在2025年就在其 o 系列模型中加入了类似的推理时缩放功能，但 Elorian 的野心在于将整个模型架构围绕这一特性构建，且成本更低。

CEO Andrew Dai 曾是 Google DeepMind 的研究员，他对当前AI视觉能力的局限有着切肤之痛。去年游戏之夜的一次经历让他印象深刻：他拍了一张刚结束的朋友间棋盘游戏照片，询问前沿模型谁在领先，结果模型彻底懵圈。“每款棋盘游戏都有自己独特的视觉语言和符号体系，”Dai 告诉 TechCrunch，“对成年人来说，无需太多文字就能轻松理解局势，但这些模型却无法直观解读符号的含义。”他打了个生动的比方：“人类看着没有文字的宜家说明书就能组装家具，为什么AI不行？”

为了回答这个问题，Elorian 采用了一种精简高效的训练策略。据公司透露，一个小团队仅使用数百个 GPU 便完成了 Glimpse 的训练，使其体量远小于它所对标的前沿系统。这种“小步快跑”的策略在定价上也得到了体现：输入价格为每百万 Token 0.60 美元，输出为 3.00 美元。虽然比 Sonnet 和 Sol 等中等价位模型稍贵，但远低于轻量级模型如 Haiku 和 Luna 的成本。然而，评估数据显示，Glimpse 在科学图表推理和短视频字幕生成任务上，甚至超越了 GPT-6 Astra，并在其他视觉推理任务中保持了极具竞争力的表现。

值得注意的是，Elorian 于今年早些时候低调退出隐身模式，由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 联合领投，Nvidia 及谷歌首席科学家 Jeff Dean 参投。初期的目标客户群体非常明确：那些坐拥海量视频数据的公司，包括机器人企业、科学实验室、媒体及创意机构。

从长远来看，Elorian 的目标不止于“看”，更在于“做”。Dai 表示，明年公司将致力于构建“全球最佳的视觉推理模型”，旨在所有视觉推理测试中拔得头筹，并进一步利用场景模型来选择行动，甚至直接控制机器人。这意味着，AI 正在从被动的观察者，转变为主动的执行者。