एलोरियनचे पहिले एआय मॉडेल केवळ त्यांच्याबद्दलच नाही तर प्रतिमांसह तर्क करू इच्छित आहे

इलोरियनPalo Alto AI स्टार्टअप ज्याने उत्पादन लाँच करण्यापूर्वी $300 दशलक्ष मूल्यावर $55 दशलक्ष सीड राउंड उभारले, शुक्रवारी त्याचे पहिले मॉडेल रिलीज केले, रीडने विशेष शिकले आहे.

मॉडेल, झलकAPI प्रवेश आणि चॅट इंटरफेससह संशोधन पूर्वावलोकन म्हणून लॉन्च करत आहे. प्रबंध? आजचे AI मॉडेल, भाषा आणि कोडसह त्यांच्या सर्व कौशल्यासाठी, अजूनही खरोखर पाहू शकत नाहीत.

बहुतेक मल्टिमोडल मॉडेल्स एकदा प्रतिमा पाहतात, ती टोकनमध्ये रूपांतरित करतात आणि नंतर त्याबद्दल मजकूरात तर्क करतात — जसे की मेमरीमधील फोटोचे वर्णन करणे. झलक स्त्रोताकडे परत जात राहते. मिड-रिझनिंग, ते एखाद्या प्रदेशात क्रॉप करू शकते, व्हिडिओमधून विशिष्ट फ्रेम्स खेचू शकते किंवा ते जे पाहत आहे ते मोजण्यासाठी किंवा तुलना करण्यासाठी कोड रन करू शकते, एलोरियन या यंत्रणेला “दृश्य स्क्रॅच स्पेस” म्हणतात. कोणीतरी फोन फोटोला झूम करण्यासाठी पिंच करत असल्याबद्दल त्यांना काय वाटले ते पुन्हा तपासा.

माजी Google DeepMind संशोधक आणि Elorian CEO अँड्र्यू दाई यांच्यासाठी, एआय अजूनही खरोखर पाहू शकत नसलेली एक स्पष्ट चिन्हे गेमच्या रात्री आली.

गेल्या वर्षी त्याने मित्रांसोबत पूर्ण केलेल्या बोर्ड गेमचा फोटो काढला आणि जिंकलेल्या फ्रंटियर मॉडेलला विचारले. हे सांगता येत नव्हते. बोर्ड गेम “प्रत्येकाची स्वतःची दृश्य भाषा असते, प्रत्येकाची स्वतःची प्रतिमा, चिन्हे असतात,” त्याने रीडला सांगितले. “एखाद्या प्रौढ व्यक्तीसाठी, कमीतकमी मजकूरासह काय चालले आहे हे समजणे खूप सोपे आहे, परंतु हे मॉडेल चिन्हांचा अर्थ काय आहे हे समजण्यास सक्षम नाहीत.”

“माणूस Ikea आकृत्या, मजकुराशिवाय पाहू शकतात आणि Ikea फर्निचर एकत्र करू शकतात, बरोबर? AI मॉडेल का करू शकत नाहीत?” तो म्हणाला.

हा दृष्टिकोन पूर्णपणे नवीन नाही — OpenAI ने 2025 मध्ये त्याच्या ओ-सिरीज मॉडेल्समध्ये तर्क करताना क्रॉप-आणि-झूम जोडले — परंतु इलोरियनची खेळपट्टी अशी आहे की त्याने संपूर्ण मॉडेल स्वस्तात तयार केले. कंपनी म्हणते की एका छोट्या टीमने काहीशे GPU वर Glimpse ला प्रशिक्षित केले आहे आणि हे मॉडेल त्याच्या विरुद्ध बेंचमार्क केलेल्या फ्रंटियर सिस्टमपेक्षा खूपच लहान आहे.

Glimpse ची किंमत $0.60 प्रति दशलक्ष टोकन आणि $3 प्रति दशलक्ष टोकन आउट – सॉनेट आणि सोल सारख्या मध्यम-स्तरीय मॉडेल्सपेक्षा स्वस्त परंतु हायकू आणि लुना सारख्या हलक्या वजनाच्या मॉडेल्सपेक्षा अधिक महाग.

परंतु एलोरियनच्या मूल्यमापनांनुसार, ग्लिम्प्स वैज्ञानिक चार्ट रिझनिंग आणि शॉर्ट-फॉर्म व्हिडिओ कॅप्शनिंगवर GPT-6 Astra पेक्षाही अधिक कामगिरी करते, इतर व्हिज्युअल रिजनिंग टास्कवर स्पर्धात्मक परिणामांसह.

सहा महिन्यांपूर्वी स्ट्रायकर व्हेंचर पार्टनर्स, मेनलो व्हेंचर्स आणि अल्टिमीटर कॅपिटल यांच्या सह-नेतृत्वातील फेरीसह, एनव्हीडिया आणि गुगलचे मुख्य शास्त्रज्ञ जेफ डीन यांच्या सहभागासह एलोरियन स्टेल्थमधून बाहेर आले.

सुरुवातीचे लक्ष्य अनेक व्हिडिओंवर बसलेल्या कंपन्या आहेत: रोबोटिक्स कंपन्या, वैज्ञानिक प्रयोगशाळा, मीडिया आणि सर्जनशील कंपन्या. दीर्घकाळापर्यंत, एलोरियनला पाहण्यापासून ते करण्याकडे जायचे आहे. याचा अर्थ थेट रोबोट नियंत्रित करण्यासह, एखादी क्रिया निवडण्यासाठी ते वापरून दृश्याचे मॉडेल तयार करणे. पुढील वर्षी, दाई म्हणाले, कंपनीचे “जगातील सर्वोत्कृष्ट व्हिज्युअल रिझनिंग मॉडेल” तयार करण्याचे उद्दिष्ट आहे, जे प्रत्येक व्हिज्युअल रिजनिंग चाचणीवर नेतृत्व करते.