A Elorian, startup de inteligência artificial sediada em Palo Alto que captou uma rodada seed de US$ 55 milhões com valuation de US$ 300 milhões antes de lançar um produto, divulgou seu primeiro modelo na sexta-feira. O modelo, chamado Glimpse, está disponível como prévia de pesquisa, com acesso via API. Por enquanto, a interface de chat funciona apenas com lista de espera.

A proposta da empresa parte de uma crítica simples: os modelos de IA atuais, apesar da habilidade com linguagem e código, ainda têm dificuldade para realmente enxergar. A maioria dos modelos multimodais analisa uma imagem uma única vez, converte-a em tokens e raciocina sobre ela em texto, algo parecido com descrever uma foto de memória. O Glimpse volta constantemente à fonte. No meio do raciocínio, pode recortar uma região, extrair quadros específicos de um vídeo ou executar código para medir ou comparar o que está analisando. A Elorian chama isso de “espaço de rascunho visual”. É aproximadamente o mesmo gesto que uma pessoa faz ao dar zoom com dois dedos em uma foto no celular para confirmar o que achou ter visto.

Andrew Dai, ex-pesquisador do Google DeepMind que hoje atua como CEO da Elorian, afirma que um dos sinais mais claros do problema apareceu durante uma noite de jogos. No ano passado, ele fotografou um tabuleiro de jogo que acabara de terminar com amigos e perguntou a um modelo de fronteira quem estava ganhando. O sistema não conseguiu responder.

Jogos de tabuleiro “têm, cada um, sua própria linguagem visual, sua própria iconografia, seus próprios símbolos”, disse Dai ao TechCrunch. “Para um adulto, é bastante fácil entender o que está acontecendo com pouco texto, mas esses modelos não conseguem intuir o que os símbolos significam.” Ele citou outro exemplo. “Humanos conseguem olhar para os diagramas da Ikea, sem nenhum texto, e montar um móvel da Ikea, certo? Por que os modelos de IA não conseguem?”

A técnica de recortar e ampliar não é totalmente nova. A OpenAI incorporou uma versão dela ao raciocínio de seus modelos da série o em 2025. O argumento da Elorian é que a empresa construiu todo o modelo em torno dessa abordagem, e fez isso de forma barata. A companhia afirma que uma pequena equipe treinou o Glimpse com algumas centenas de GPUs e que o modelo é substancialmente menor que os sistemas de fronteira com os quais é comparado.

O Glimpse custa US$ 0,60 por milhão de tokens de entrada e US$ 3 por milhão de tokens de saída. Isso o coloca acima de modelos leves como Haiku e Luna em preço, mas abaixo de modelos intermediários como Sonnet e Sol. As avaliações da Elorian mostram o Glimpse superando o GPT-6 Astra em raciocínio sobre gráficos científicos e em legendagem de vídeos curtos, com resultados competitivos em outras tarefas de raciocínio visual.

A empresa saiu do modo furtivo há seis meses, com uma rodada de investimentos coliderada pela Striker Venture Partners, Menlo Ventures e Altimeter Capital. Nvidia e Jeff Dean, cientista-chefe do Google, também participaram. Por enquanto, a Elorian mira empresas que possuem grandes volumes de vídeo, incluindo empresas de robótica, laboratórios científicos, companhias de mídia e negócios criativos.

Os planos de longo prazo da Elorian vão além. A empresa quer passar de ver para agir, construindo um modelo de uma cena e usando-o para escolher uma ação. Isso pode incluir o controle direto de robôs. Dai disse que a Elorian pretende construir “o melhor modelo de raciocínio visual do mundo” no próximo ano, um que lidere em todos os testes de raciocínio visual.

Questo articolo è stato scritto con l'assistenza dell'IA.
News Factory APP - notizie agentiche per potenziare il tuo SEO e AEO.