Elorian首个AI模型：用图像推理，不止于谈论图像

一家还没发布产品就拿到5500万美元种子轮融资、估值3亿美元的帕洛阿尔托AI初创公司，刚刚亮出了自己的第一张牌。据TechCrunch独家报道，Elorian于上周五发布了首个模型Glimpse，以研究预览形式开放API和聊天界面。这家公司的核心判断是：当前的大模型虽然能写代码、能聊天，但依然“看不见”——大多数多模态模型只是把图片一次性转成token，然后在文本层面做推理，相当于凭记忆描述一张照片。Glimpse的做法是反复回到图像源头：在推理过程中随时裁剪局部区域、从视频中抽取特定帧，甚至运行代码去测量和比对画面内容，Elorian把这一机制称为“视觉暂存空间”。打个比方，就像人在手机上双指放大照片，确认自己刚才到底看到了什么。 这个痛点来自CEO Andrew Dai的亲身经历。这位前谷歌DeepMind研究员在一次桌游之夜拍下刚结束的棋盘，问某前沿模型“谁赢了”，模型答不上来。他解释说，桌游有自己的一套视觉语言和图标符号体系，对人类来说几乎不需要文字就能看懂局面，但模型无法直觉理解这些符号的含义。“人能只看宜家说明书、一个字没有就把家具装好，为什么AI不行？”这成了Elorian创业的出发点。值得一提的是，在推理中裁剪放大并非全新思路，OpenAI在2025年就给o系列模型加入了类似能力，但Elorian的卖点在于整个模型围绕这一机制从头构建，而且成本极低——小团队用几百块GPU训练完成，模型规模远小于其对标的 frontier 系统。定价方面，Glimpse输入每百万token收费0.60美元、输出3美元，比Sonnet、Sol这类中端模型便宜，但高于Haiku、Luna等轻量模型。按Elorian自己的评测，Glimpse在科学图表推理和短视频描述任务上甚至超过了GPT-6 Astra，其他视觉推理任务也具备竞争力。 Elorian半年前才结束隐身状态，种子轮由Striker Venture Partners、Menlo Ventures和Altimeter Capital联合领投，英伟达和谷歌首席科学家Jeff Dean参与跟投。首批目标客户是手握大量视频数据的企业：机器人公司、科研实验室、媒体和创意公司。更长远看，Elorian想从“看见”走向“行动”——基于对场景的理解来选择动作，包括直接控制机器人。Dai表示，公司明年的目标是打造“全球最强的视觉推理模型”，在每一项视觉推理测试上都拿到第一。对跨境电商卖家而言，这类模型如果成熟，意味着商品图理解、视频素材分析、竞品页面拆解等环节可能迎来更可靠的自动化工具；而对AI从业者来说，Elorian押注的“小模型+视觉反复回看”路线，能否在成本和大厂正面竞争，将是接下来值得关注的变量。