Для ИИ-анализа изображения Elorian выпустила Glimpse — первую модель, хотя до запуска продукта подняла $55 млн. По оценкам Elorian, она обходит GPT-6 Astra на научных графиках и подписях к коротким видео. Во время размышления Glimpse умеет приближать участок, брать кадры из видео и запускать код для замеров; цена — $0,60 за миллион входных токенов, а чат — пока по листу ожидания.
Что вообще произошло
Elorian — молодая компания из Пало-Альто. Она вышла из тени всего полгода назад, с раундом, который совместно вели Striker Venture Partners, Menlo Ventures и Altimeter Capital, при участии Nvidia и главного научного сотрудника Google Джеффа Дина. До релиза Elorian успела привлечь $55 млн на стартовом раунде при оценке $300 млн — и всё это ещё до того, как у компании появился хоть один продукт. А теперь выпустила Glimpse — свою первую модель.
Запуск пока осторожный. Glimpse выходит как research preview: есть доступ по API, а чат-интерфейс работает только по листу ожидания. То есть на данный момент это, по формулировке TechCrunch, «таблица результатов и тезис», а не готовый продукт для масс. Первые клиенты, на которых нацелена компания, — те, у кого много видео: робототехнические фирмы, научные лаборатории, медиа и креативные студии.
Для полноты картины: в самом материале TechCrunch рядом были и промо-анонсы — успеть сэкономить до $200 на Founder Summit 16 октября, двери Disrupt открываются 13 октября, а второй билет можно взять со скидкой 50%. Но главное, конечно, не эти скидки, а сам запуск.
Но даже в таком виде событие важное. Здесь спорят не о том, кто быстрее считает, а о том, умеет ли модель по-настоящему смотреть. И Elorian утверждает: раньше почти никто не умел.
Почему старые модели почти слепые
Смотри, в чём фокус. Большинство современных мультимодальных моделей — тех, что принимают и текст, и картинки, — работают так: один раз посмотрели на изображение, превратили его в токены (внутренние «кусочки» информации) и дальше рассуждают о нём текстом. Это как описывать фотографию по памяти: вроде видел, а деталей уже нет.
«Эндрю Дай, CEO Elorian и бывший исследователь Google DeepMind, однажды понял масштаб проблемы за настольной игрой.» Он сфотографировал партию, которую только что закончил с друзьями, и спросил передовую модель: кто выигрывает? Модель не смогла ответить.
«У каждой настольной игры свой визуальный язык, свои иконки и символы, — объяснил он TechCrunch. — Взрослому человеку всё понятно почти без текста, а модели не могут уловить, что значат эти символы».
«Дальше он привёл пример, который бьёт точно в цель: «Люди смотрят на схему сборки из IKEA, где нет ни слова текста, и собирают мебель.» Почему ИИ так не может?» Именно на этот вопрос Glimpse и пытается ответить.
Как работает «визуальная доска»
Elorian называет свой механизм «visual scratch space» — визуальное рабочее поле. Пока модель рассуждает, она может вернуться к исходной картинке и:
• увеличить конкретный участок — вглядеться в мелкую надпись, символ, значение на оси;
• вытащить отдельные кадры из видео — не пересказывать ролик целиком, а взять нужный момент;
• запустить код — посчитать, измерить, сравнить то, что она видит.
Аналогия простая: ты смотришь на фото в телефоне и растягиваешь его пальцами, чтобы перепроверить — точно ли там написано то, что тебе показалось. Glimpse делает то же самое, только самостоятельно и по ходу решения задачи.
Подход не абсолютно новый: OpenAI добавила увеличение и обрезку во время рассуждения своим моделям o-серии ещё в 2025 году. Но заслуга Elorian в другом — они построили вокруг этого всю модель целиком и дёшево. Небольшая команда обучила Glimpse на нескольких сотнях GPU, и модель заметно меньше тех передовых систем, с которыми её сравнивают. Цена — $0,60 за миллион входных токенов и $3 за миллион выходных. Это дешевле средних моделей вроде Sonnet и Sol, но дороже лёгких вроде Haiku и Luna.
Что это даёт лично тебе
Студентке на зачёте. Она фотографирует чертёж, схему или слайд с графиком и просит объяснить, что происходит. Модель с настоящим ИИ-анализом графика вглядится в подписи осей, найдёт пик и провал, а не выдаст общие слова.
Маме двоих детей. Сфотографировала инструкцию к собранной наполовину полке — и получила ответ, какой винт куда и что она перепутала. Тот самый пример с IKEA, который приводит Дай, здесь становится бытовой рутиной.
Фрилансеру-дизайнеру. Он разбирает чужие референсы и хочет понять, почему макет работает. Модель не просто «описывает красивое», а измеряет пропорции, сравнивает отступы, вытаскивает палитру. «Для работы с контентом это ощутимо другой уровень.»
Владельцу кофейни. У него записи с камер и куча коротких роликов из зала. Анализ видео с помощью ИИ помогает вытащить нужный момент — когда именно в очереди образовался затор и что делал сотрудник в этот момент.
Продавцу на маркетплейсе или в соцсетях. Разбор конкурентных роликов, поиск удачных кадров, подписи к коротким видео — то, что Glimpse, по данным Elorian, делает лучше GPT-6 Astra.
Научному сотруднику или аспиранту. Графики, таблицы, результаты экспериментов — рутина, которая раньше требовала глаз и времени. Теперь модель может вернуться к картинке и перепроверить, а не додумать.
Как попробовать прямо сейчас
Порядок такой — от самого доступного к самому новому.
1. Начни с бесплатного. Открой ChatGPT, загрузи фото или скриншот и попроси разобрать его по шагам: что видно, какие мелкие детали, что они значат. Это база, она доступна тебе прямо сейчас.
2. Запишись в лист ожидания Glimpse. Чат-интерфейс Elorian пока работает только по вайтлисту — это указано в анонсе. Найди страницу Elorian и оставь заявку: когда откроют доступ, у тебя уже будет готовый набор задач.
3. Если ты разработчик или у тебя есть технарь в команде — смотри в сторону API. Модель запущена как research preview с доступом по API, это самый быстрый способ встроить её в свой процесс.
4. Собери тест из трёх картинок. Возьми график, схему без текста и кадр из видео. Прогони через то, что уже есть под рукой, и запиши, где модель спотыкается. Это твоя личная линейка, по которой через полгода будешь сравнивать новые версии.
5. Повтори тест через месяц. Разница между текущими моделями и тем, что выйдет дальше, будет видна именно на таких бытовых задачах.
Плюсы и что изменится
Главный плюс — цена и размер. Когда сильная модель весит немного и обучается на нескольких сотнях GPU, её можно запускать дешевле. Значит, через месяц-полгода разбор изображений и видео перестанет быть дорогой игрушкой для корпораций и станет обычной функцией в твоём рабочем приложении.
Второе — сдвиг от «описать» к «понять». Мы привыкли, что ИИ пересказывает картинку словами. Здесь он её изучает: возвращается, увеличивает, измеряет. Для понимания изображений это принципиально другой класс задач — и именно на нём раньше всего ломались даже топовые модели.
Третье — планы Elorian. На следующий год компания хочет построить «лучшую в мире модель визуального мышления», которая будет лидировать во всех тестах на визуальные рассуждения. А дальше — переход от «видеть» к «делать»: строить модель сцены и на её основе выбирать действие, вплоть до прямого управления роботами.
Минусы и ограничения, честно. Продукт пока в статусе research preview, чат — только по листу ожидания, так что «зайти и попробовать» прямо сегодня не получится. Подход с увеличением и обрезкой придумала не Elorian — OpenAI сделала это ещё в 2025 году. И цена выше, чем у лёгких моделей вроде Haiku и Luna, — для массовых задач это пока не самый дешёвый вариант.
Что делать сегодня
ИИ-анализ изображения впервые выглядит не как маркетинг, а как решение конкретной человеческой проблемы: «я вижу, а модель — нет». Если ты хочешь оказаться впереди, не жди открытия вайтлиста — начни тренировать привычку показывать ИИ картинки вместо того, чтобы описывать их словами.
Одно действие на сегодня: открой ChatGPT, сфотографируй любую схему, график или инструкцию рядом с собой и попроси разобрать её по шагам. А потом напиши в комментариях в @aigoby, где модель ошиблась — соберём народный список слепых зон искусственного интеллекта.
🎁 Бонус: готовый промпт
«Скопируй и вставь перед своей картинкой — он работает и на обычных моделях, а на Glimpse покажет максимум возможностей.»
```
Ты — внимательный аналитик изображений. Работай по шагам и не выдумывай.
1. Опиши, что видно на изображении, строго по фактам.
2. Перечисли мелкие детали: символы, подписи, числа, единицы измерения.
3. Если это график или таблица — определи оси, масштаб и назови главный тренд.
4. Если это схема или инструкция — объясни порядок действий простыми словами.
5. Если данных не хватает — прямо скажи, что именно нужно уточнить или увеличить.
6. В конце дай один практический вывод: что мне с этим делать.
```
Комментарии 0