هوش مصنوعی جدید Glimpse با عملکرد درخشان در استدلال بصری معرفی شد

استارتاپ Elorian، استارتاپ هوش مصنوعی مستقر در پالو آلتو، روز جمعه نخستین مدل استدلال تصویری خود را منتشر کرد. این استارتاپ مدعی است مدلش از برخی جنبه‌های حتی بهتر از GPT-6 عمل می‌کند. Elorian همچنین در دور تأمین مالی اولیه خود ۵۵ میلیون دلار سرمایه با ارزش‌گذاری ۳۰۰ میلیون دلاری جذب کرده است. 

این مدل که Glimpse نام دارد، به صورت نسخه پیش‌نمایش پژوهشی و با دسترسی از طریق API و یک رابط گفت‌وگومحور عرضه شده است. ایده اصلی این است که مدل‌های هوش مصنوعی امروزی، با وجود مهارت چشمگیر در زبان و کدنویسی، هنوز واقعاً توانایی دیدن ندارند.

مدل هوش مصنوعی Elorian از اساس برای استدلال بصری ساخته شده است

بیشتر مدل‌های چندوجهی، تصویر را تنها یک بار بررسی، آن را به توکن تبدیل و سپس به کمک متن درباره آن استدلال می‌کنند؛ درست مانند کسی که عکسی را از روی حافظه توصیف می‌کند. اما Glimpse بارها به منبع اصلی تصویر بازمی‌گردد. این مدل می‌تواند در میانه فرایند استدلال، بخشی از تصویر را برش دهد، فریم‌های مشخصی از یک ویدئو استخراج کند یا برای اندازه‌گیری و مقایسه آنچه می‌بیند، کد اجرا کند. Elorian این سازوکار را «فضای چرک‌نویس بصری» می‌نامد.

برای «اندرو دای»، پژوهشگر سابق گوگل دیپ‌مایند و مدیرعامل Elorian، یکی از روشن‌ترین نشانه‌های ناتوانی هوش مصنوعی در درک واقعی تصاویر، هنگام بازی شبانه با دوستانش آشکار شد.

سال گذشته، او از یک بازی رومیزی که به‌تازگی با دوستانش تمام کرده بود عکس گرفت و از یکی از مدل‌های پیشرفته هوش مصنوعی پرسید چه کسی درحال برنده‌شدن است. مدل نتوانست پاسخ دهد. دای به تک‌کرانچ گفت: «هر بازی رومیزی زبان بصری و مجموعه نمادهای خاص خودش را دارد. برای یک فرد بزرگسال، درک اتفاقات بازی با حداقل متن بسیار آسان است؛ اما این مدل‌ها نمی‌توانند به‌طور شهودی معنای نمادها را درک کنند.»

او افزود: «انسان‌ها می‌توانند به دستورالعمل‌های تصویری لوازم برند ایکیا که هیچ متنی ندارند نگاه کنند و مبلمان ایکیا را سرهم کنند، درست است؟ پس چرا مدل‌های هوش مصنوعی نمی‌توانند این کار را انجام دهند؟»

این رویکرد کاملاً جدید نیست. OpenAI در سال ۲۰۲۵ قابلیت برش و بزرگ‌نمایی تصاویر هنگام استدلال را به مدل‌های سری o خود اضافه کرد. بااین‌حال، ادعای Elorian این است که کل مدل خود را از ابتدا بر پایه همین قابلیت ساخته و این کار را با هزینه‌ای پایین انجام داده است. این شرکت می‌گوید تیم کوچکی با استفاده از چند صد پردازنده گرافیکی، مدل Glimpse را آموزش داده و اندازه آن به‌مراتب کوچک‌تر از مدل‌های پیشرفته‌ای است که برای مقایسه عملکرد انتخاب شده‌اند.

هزینه استفاده از مدل هوش مصنوعی Glimpse به‌ازای هر یک میلیون توکن ورودی ۰.۶۰ دلار و به‌ازای هر یک میلیون توکن خروجی ۳ دلار است. این قیمت از مدل‌های میان‌رده‌ای مانند Sonnet و Sol کمتر، اما از مدل‌های سبک‌تری مانند Haiku و Luna بیشتر است.

بااین‌حال، طبق ارزیابی‌های شرکت «الوریان»، مدل Glimpse در استدلال درباره نمودارهای علمی و تولید توضیحات کوتاه برای ویدیوها، حتی عملکرد بهتری از GPT-6 Astra دارد. این مدل در سایر وظایف استدلال بصری نیز نتایج رقابتی به دست آورده است.

مشتریان اولیه این مدل شرکت‌هایی هستند که حجم زیادی ویدیو در اختیار دارند؛ ازجمله شرکت‌های رباتیک، آزمایشگاه‌های علمی، رسانه‌ها و شرکت‌های فعال در حوزه خلاقیت. الوریان در بلندمدت قصد دارد قابلیت‌های Glimpse را از درک صحنه‌ها به انجام اقدامات گسترش دهد. این هدف شامل ساخت مدلی از محیط و استفاده از آن برای انتخاب اقدام مناسب، ازجمله کنترل مستقیم ربات‌ها، می‌شود.

به گفته دای، الوریان قصد دارد سال آینده «بهترین مدل استدلال بصری جهان» را بسازد؛ مدلی که در تمام آزمون‌های استدلال بصری پیشتاز باشد.