O primeiro modelo de IA de Elorian quer raciocinar com imagens, não apenas sobre elas

Elorianoa startup Palo Alto AI que levantou uma rodada inicial de US$ 55 milhões com uma avaliação de US$ 300 milhões antes de lançar um produto, lançou seu primeiro modelo na sexta-feira, descobriu o TechCrunch com exclusividade.

O modelo, Vislumbreestá sendo lançado como uma prévia da pesquisa com acesso à API e uma interface de chat. A tese? Os modelos de IA de hoje, apesar de toda a sua habilidade com linguagem e código, ainda não conseguem realmente ver.

A maioria dos modelos multimodais olha uma imagem uma vez, converte-a em tokens e depois raciocina sobre ela em texto – como descrever uma foto de memória. Glimpse continua voltando à fonte. No meio do raciocínio, ele pode recortar uma região, extrair quadros específicos de um vídeo ou executar código para medir ou comparar o que está vendo, um mecanismo que Elorian chama de “espaço visual de rascunho”. Pense em alguém apertando para ampliar uma foto de telefone para verificar o que achou que viu.

Para o ex-pesquisador do Google DeepMind e CEO da Elorian, Andrew Dai, um dos sinais mais claros de que a IA ainda não conseguia ver veio na noite do jogo.

No ano passado, ele fotografou um jogo de tabuleiro que acabara de terminar com amigos e perguntou a um modelo de fronteira quem estava ganhando. Não poderia dizer. Os jogos de tabuleiro “cada um tem sua própria linguagem visual, cada um tem sua própria iconografia e símbolos”, disse ele ao TechCrunch. “Para um adulto, é muito fácil entender o que está acontecendo com um texto mínimo, mas esses modelos não são capazes de intuir o que os símbolos significam.”

“Os humanos podem olhar os diagramas da Ikea, sem texto, e montar móveis da Ikea, certo? Por que os modelos de IA não podem?” ele disse.

A abordagem não é completamente nova – a OpenAI adicionou corte e zoom durante o raciocínio aos seus modelos da série O em 2025 – mas a proposta da Elorian é que ela construiu todo o modelo em torno dela, de forma barata. A empresa diz que uma pequena equipe treinou o Glimpse em algumas centenas de GPUs e que o modelo é substancialmente menor do que os sistemas de fronteira com os quais foi comparado.

O Glimpse custa US$ 0,60 por milhão de tokens que entram e US$ 3 por milhão de tokens que saem – mais barato que modelos de nível médio como Sonnet e Sol, mas mais caro que modelos leves como Haiku e Luna.

Mas, de acordo com as avaliações de Elorian, o Glimpse supera até mesmo o GPT-6 Astra no raciocínio científico de gráficos e na legenda de vídeos curtos, com resultados competitivos em outras tarefas de raciocínio visual.

Elorian saiu do sigilo há seis meses com uma rodada co-liderada por Striker Venture Partners, Menlo Ventures e Altimeter Capital, com a participação da Nvidia e do cientista-chefe do Google, Jeff Dean.

Os alvos iniciais são empresas que assistem a muitos vídeos: empresas de robótica, laboratórios científicos, mídia e empresas criativas. No longo prazo, Elorian quer passar do ver para o fazer. Isso significa construir um modelo de cena usando isso para escolher uma ação, incluindo controlar diretamente robôs. No próximo ano, disse Dai, a empresa pretende construir “o melhor modelo de raciocínio visual do mundo”, que seja líder em todos os testes de raciocínio visual.