Punctul central al poveștii lor e unul simplu, dar devastator: modelele de azi, indiferent cât de pricepute sunt la limbaj și cod, nu știu să vadă, de fapt. Majoritatea sistemelor multimodale privesc o imagine o singură dată, o transformă în tokeni, apoi raționează despre ea în text, ca și cum ar descrie o fotografie din memorie. Glimpse face altceva: se întoarce mereu la sursă. Poate decupa o regiune în mijlocul raționamentului, poate extrage cadre dintr-un video sau poate rula cod ca să măsoare sau să compare ce are în față. Mecanismul acesta poartă un nume care sună aproape poetic: „spațiu vizual de lucru". E ca atunci când dai zoom cu degetele pe o poză ca să verifici ce-ai crezut că ai văzut.
Pentru Andrew Dai, fost cercetător la Google DeepMind și acum director general al Elorian, momentul revelator a venit într-o seară de jocuri de societate. Anul trecut a făcut o fotografie unui boardgame pe care tocmai îl terminase cu prietenii și a întrebat un model de frontieră cine câștiga. Modelul nu a fost în stare să răspundă. „Fiecare joc de societate are limbajul lui vizual, fiecare are iconografia lui, simbolurile lui", a explicat Dai pentru TechCrunch. „Pentru un adult e foarte ușor să înțeleagă ce se întâmplă, chiar și cu foarte puțin text, dar modelele astea nu pot intui ce înseamnă simbolurile."
Și a mai dat un exemplu care arată cât de departe suntem încă de o mașină care vede cu adevărat: „Oamenii se pot uita la diagramele IKEA, fără niciun text, și pot asambla mobilier. De ce nu pot modelele AI să facă la fel?"
Aici vine însă și un detaliu important: abordarea nu e complet nouă. OpenAI a adăugat deja funcționalitatea de decupare-și-zoom în timpul raționamentului pentru seria sa de modele „o", în 2025. Marea promisiune a Elorian este că a construit întregul model în jurul acestei idei, și a făcut-o ieftin. Compania spune că o echipă mică a antrenat Glimpse pe doar câteva sute de GPU-uri, iar modelul este substanțial mai mic decât sistemele de frontieră cu care a fost evaluat.
Ca preț, Glimpse costă 0,60 dolari per milion de tokeni la intrare și 3 dolari per milion de tokeni la ieșire. E mai ieftin decât modelele de nivel mediu precum Sonnet și Sol, dar mai scump decât modelele ușoare precum Haiku și Luna. Totuși, conform evaluărilor Elorian, Glimpse depășește chiar și GPT-6 Astra la capitolele raționament pe grafice științifice și descriere de clipuri video scurte, obținând rezultate competitive pe alte sarcini de raționament vizual.
Finanțarea din spatele companiei vine din surse grele. Elorian a ieșit din stealth acum șase luni, cu o rundă cocondusă de Striker Venture Partners, Menlo Ventures și Altimeter Capital, cu participarea Nvidia și a lui Jeff Dean, șeful departamentului de cercetare științifică de la Google. Asta spune multe despre cât de serioasă e miza.
Publicul țintă inițial e format din companii care stau pe munți de material video: firme de robotică, laboratoare științifice, companii media și creative. Pe termen lung însă, Elorian vrea mai mult de atât: vrea să treacă de la „a vedea" la „a face". Asta înseamnă construirea unui model al unei scene care să fie folosit pentru a alege o acțiune, inclusiv pentru controlul direct al roboților. Anul viitor, spune Dai, compania țintește să construiască „cel mai bun model de raționament vizual din lume", unul care să fie lider pe fiecare test de raționament vizual.
Rămâne de văzut dacă promisiunea va fi dusă până la final. Dar ce e interesant aici nu e doar tehnologia în sine, ci felul în care Elorian a ales să se poziționeze. Nu încearcă să câștige competiția generală a modelelor de limbaj, ci alege o felie precisă și încearcă s-o transforme în ceva cu adevărat util. Într-o piață în care toți vorbesc despre „AI care vede", puțini sunt cei care se apleacă serios asupra întrebării fundamentale: vedem cu adevărat sau doar recunoaștem tipare?
De ce este important:
Acest subiect contează pentru că scoate la lumină o limită esențială a inteligenței artificiale actuale. Majoritatea modelelor multimodale sunt, în esență, mașini de prelucrat text care primesc imagini ca anexă. Glimpse propune o arhitectură diferită, una în care vederea nu e doar un input pasiv, ci o resursă activă la care modelul poate reveni în timp ce gândește. Dacă abordarea funcționează la scară largă, consecințele sunt uriașe: de la robotică la diagnostic medical, de la monitorizare industrială la creație artistică, toate aceste domenii depind de o înțelegere vizuală fiabilă, pe care modelele actuale încă nu o oferă. Mai mult, faptul că Glimpse reușește performanțe comparabile sau superioare unor modele uriașe, folosind mult mai puține resurse de antrenare, sugerează o schimbare de paradigmă: nu mai câștigă cel cu cei mai mulți parametri, ci cel cu arhitectura cea mai potrivită.
