Glimpse kan beskære billeder, mens den svarer dig

Elorian har udgivet Glimpse, en AI-model der kan se billeder og video igen undervejs. Det betyder noget, fordi andre modeller kun ser billedet én gang og derfor kan overse detaljer i diagrammer og video. Nu er den en testversion med teknisk adgang; chat er kun for venteliste, og næste år vil Elorian bygge verdens bedste model til visuel tænkning.

Elorians første model hedder Glimpse. En model er et computerprogram, der er trænet til at løse opgaver. Glimpse gør noget usædvanligt: Den ser på billedet igen, mens den regner. Midt i et svar kan den beskære et udsnit, hente enkelte billeder ud af en video eller køre kode for at måle og sammenligne det, den ser. Elorian kalder det et visuelt kladdeområde. Tænk på en detektiv, der kan gå tilbage til gerningsstedet og undersøge detaljer, i stedet for kun at stole på hukommelsen. Modellen er foreløbig kun udgivet som forskningspreview, altså en tidlig version til forskning. Man kan få adgang gennem en programmeringsgrænseflade. Chatgrænsefladen er kun åben for ventelisten.

De fleste multimodale modeller, altså modeller der både kan se og skrive, ser billedet én gang. Så oversætter de billedet til små tekststykker, som kaldes tokens. Derefter tænker de videre ud fra hukommelsen. Det er som at beskrive et foto, man ikke må se igen. OpenAI lagde noget lignende ind i sine o-modeller i 2025. Elorians pointe er, at selskabet har bygget hele modellen omkring det. Ifølge Elorians egne målinger slår Glimpse den anden model Generative Pre-trained Transformer 6 Astra, også kaldet GPT-6 Astra, på ræsonnement, altså at tænke og drage slutninger, over videnskabelige diagrammer og på korte videobeskrivelser. På andre visuelle opgaver er resultaterne sammenlignelige. Modellen er trænet på nogle få hundrede specialiserede computerchips, ofte kaldet grafikkort. Den er markant mindre end de mest avancerede modeller, som kaldes frontmodeller, og som den måler sig op imod.

Prisen er 0,60 dollar per million tokens ind og 3 dollar ud. Det er billigere end mellemklassemodeller som Sonnet og Sol, men dyrere end de lette modeller Haiku og Luna. Ideen kom fra en spilledag. Administrerende direktør Andrew Dai, tidligere forsker hos Google DeepMind, fotograferede et brætspil og spurgte en frontmodel, hvem der var ved at vinde. Det kunne den ikke svare på. Brætspil har deres eget sprog af ikoner og symboler, som et voksent menneske nemt læser, men som modellerne ikke forstår, sagde han til TechCrunch.

Elorian rejste 55 millioner dollar, altså skaffede penge, ved en værdi af 300 millioner dollar, før selskabet havde et produkt. Investeringsrunden blev ledet af Striker Venture Partners, Menlo Ventures og Altimeter Capital. Blandt deltagerne var Nvidia og Googles chefsforsker Jeff Dean. De første kunder skal være virksomheder med meget video: robotfirmaer, forskningslaboratorier og medieselskaber. Næste år vil Dai bygge verdens bedste visuelle ræsonnementsmodel, altså en model der kan tænke over billeder og video, siger han.