TechCrunch 独家获悉，位于帕洛阿尔托的 AI 初创公司 Elorian 于周五发布了其首个模型。该公司在推出产品之前，便以 3 亿美元估值完成了 5500 万美元种子轮融资。
该模型名为 Glimpse，以研究预览形式推出，提供 API 访问；聊天界面仅限候补名单。因此就目前而言，它更像是一张结果表和一套主张。什么主张？如今的 AI 模型尽管精通语言和代码，却仍然不能真正“看见”。
大多数多模态模型只会看一次图像，将其转化为 token，然后用文本进行推理——就像凭记忆描述一张照片。Glimpse 则会不断回到源头。在推理过程中，它可以裁剪到某个区域、从视频中提取特定帧，或运行代码来测量或比较所见内容；Elorian 将这一机制称为“视觉草稿空间”。可以把它想成有人在手机照片上双指放大，以复核自己以为看到的东西。
对前 Google DeepMind 研究员、Elorian CEO Andrew Dai 来说，AI 仍不能真正“看见”的最明显迹象之一，出现在一次游戏之夜。
去年，他拍下自己和朋友刚玩完的一款桌游，并问一个前沿模型谁赢了。它答不上来。他告诉 TechCrunch，桌游“每一种都有自己的视觉语言，每一种都有自己的图像符号、标志和象征”。“对成年人来说，即使文字极少，也很容易理解正在发生什么，但这些模型无法凭直觉理解这些符号的含义。”
他说：“人类可以看着没有文字的宜家图纸，组装宜家家具，对吧？为什么 AI 模型不行？”
这种方法并非完全新创——OpenAI 在 2025 年为其 o 系列模型在推理过程中加入了裁剪与缩放功能——但 Elorian 的卖点在于，它围绕这一能力、以低成本构建了整个模型。该公司表示，一支小团队用几百块 GPU 训练了 Glimpse，而且该模型比其所对标的前沿系统小得多。
Glimpse 的定价为每百万输入 token 0.60 美元、每百万输出 token 3 美元——比 Sonnet 和 Sol 等中端模型便宜，但比 Haiku 和 Luna 等轻量级模型贵。
但根据 Elorian 的评估，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，并在其他视觉推理任务上取得了有竞争力的结果。
Elorian 在六个月前结束隐身模式，当时获得了由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 联合领投的一轮融资，Nvidia 和 Google 首席科学家 Jeff Dean 参投。
最初的目标客户是拥有大量视频的公司：机器人公司、科学实验室、媒体和创意公司。更长期来看，Elorian 希望从“看见”走向“行动”。这意味着构建场景模型，并利用它来选择行动，包括直接控制机器人。Dai 表示，明年公司旨在构建“世界上最好的视觉推理模型”，在每一项视觉推理测试中都处于领先。
