Elorian 的首个 AI 模型想要基于图像进行推理，而不仅仅是对图像进行描述

# Elorian 的首款 AI 模型想要"用图像推理"，而不仅仅是"对图像推理" | TechCrunch 来源：https://techcrunch.com/2026/10/16/elorians-first-ai-model-wants-to-reason-with-images-not-just-about-them/ TechCrunch 独家获悉，总部位于 Palo Alto 的 AI 初创公司 Elorian (https://elorian.ai/) 于周五发布了其首款模型。该公司在产品尚未推出之前，就以 3 亿美元的估值完成了 5500 万美元的种子轮融资。 该模型名为 Glimpse (https://elorian.ai/blog/introducing-glimpse)，以研究预览的形式发布，提供 API 接口，而聊天界面目前仅限候补名单访问。因此现阶段呈现给外界的是一份结果对比表和一个核心论点。核心论点是什么？当今的 AI 模型尽管在语言和代码方面能力出色，但仍无法真正"看见"。 大多数多模态模型只对图像进行一次查看，将其转换为 token，然后在文本空间中对其进行推理——就像凭记忆描述一张照片。而 Glimpse 会不断返回原始图像。在推理过程中，它可以裁剪放大到某个特定区域、从视频中提取特定帧，或者运行代码来测量或比较它所看到的内容。Elorian 将这一机制称为"视觉草稿纸"（visual scratch space）。可以想象一个人在手机照片上双指缩放，以确认自己刚才看到的内容。 对于曾任 Google DeepMind 研究员、现任 Elorian 首席执行官的 Andrew Dai 来说，AI 仍无法真正"看见"的最明显例证，发生在一次游戏之夜。 去年，他拍了一张刚和朋友们玩完的桌游照片，询问一个前沿模型谁在赢。模型答不上来。桌游"各有各的视觉语言，各有各的图标和符号体系"，他告诉 TechCrunch。"对成年人来说，即使没有文字也相当容易理解局势，但这些模型无法直觉地理解这些符号的含义。" "人类可以看 IKEA 的组装图——没有任何文字——就能组装 IKEA 家具，对吧？为什么 AI 模型做不到？"他说。 这种做法并非全新——OpenAI 在 2025 年就为其 o 系列模型加入了推理过程中的裁剪缩放功能——但 Elorian 的卖点在于，它围绕这一能力构建了整个模型，而且成本更低。该公司表示，一个小型团队仅使用几百块 GPU 就训练出了 Glimpse，且该模型比其用于对比评测的前沿系统小得多。 Glimpse 的输入价格为每百万 token 0.60 美元，输出价格为每百万 token 3 美元——比 Sonnet 和 Sol 等中端模型更便宜，但比 Haiku 和 Luna 等轻量级模型更贵。 但根据 Elorian 的评测，Glimpse 在科学图表推理和短视频字幕生成方面甚至超过了 GPT-6 Astra，在其他视觉推理任务上也取得了有竞争力的结果。 Elorian 六个月前结束了隐身模式，当时完成了一轮融资，由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 联合领投，Nvidia 和 Google 首席科学家 Jeff Dean 也参与其中。 最初的 target 是拥有大量视频数据的公司：机器人企业、科学实验室、媒体和创意公司。从长远来看，Elorian 希望从"看见"走向"行动"。这意味着构建场景模型，并据此选择行动方案，包括直接控制机器人。Dai 表示，明年公司的目标是打造"全球最出色的视觉推理模型"，在每项视觉推理测试中都名列前茅。 *通过文章中的链接购买商品，我们可能会获得少量佣金 (https://techcrunch.com/techcrunch-affiliate-monetization-standards/)。这不会影响我们的编辑独立性。* Aditya Mehta 是 TechCrunch 的 AI 领域记者，由 Tarbell Center for AI Journalism 提供支持，毕业于 UC Berkeley。您可以通过电子邮件 [\[\[email protected\]]](https://techcrunch.com/cdn-cgi/l/email-protection) 或通过 Signal 联系 Aditya，Signal ID 为 adymehta.74。 查看个人简介 (https://techcrunch.com/author/aditya-mehta/)