A Elorian, uma startup de inteligência artificial de Palo Alto, revelou na sexta-feira seu primeiro modelo, o Glimpse. A empresa, que levantou US$ 55 milhões em capital semente com uma avaliação de US$ 300 milhões antes mesmo de lançar um produto, foca em um novo método de raciocínio visual para IAs.

O Glimpse está sendo lançado em uma prévia de pesquisa com acesso via API e uma interface de chat por lista de espera. A proposta central do modelo é que as inteligências artificiais atuais, apesar de suas habilidades com linguagem, não conseguem “ver” de verdade. Enquanto a maioria dos modelos multimodais processa uma imagem e a converte em texto para raciocinar, o Glimpse interage continuamente com a fonte visual.

O modelo pode, por exemplo, aplicar zoom em uma região específica de uma imagem, extrair quadros de um vídeo ou executar códigos para medir e comparar o que está “observando”. A Elorian descreve esse processo como um “bloco de rascunho visual”, similar a uma pessoa usando o movimento de pinça em um celular para ampliar e verificar detalhes em uma foto.

Andrew Dai, ex-pesquisador do Google DeepMind e CEO da Elorian, percebeu a limitação da IA em “ver” durante uma noite de jogos. Ao fotografar um jogo de tabuleiro e perguntar a um modelo quem venceu, a IA não conseguiu responder. Dai explicou que jogos de tabuleiro possuem “linguagem visual própria, iconografia, símbolos”, e que os modelos atuais não conseguem intuir o significado desses símbolos. Ele comparou essa deficiência à dificuldade de um modelo de IA em montar um móvel da Ikea apenas com diagramas, algo que humanos fazem sem texto.

Apesar de o recurso de zoom e corte durante o raciocínio ter sido adicionado por outras empresas, a Elorian construiu o Glimpse inteiramente em torno dessa capacidade, otimizando custos. A empresa afirma que o modelo foi treinado por uma pequena equipe com poucas centenas de GPUs e é consideravelmente menor do que os sistemas de ponta que serviram de comparação.

O custo do Glimpse é de US$ 0,60 por milhão de tokens de entrada e US$ 3 por milhão de tokens de saída. Segundo avaliações da Elorian, o Glimpse superou o GPT-6 Astra em tarefas de raciocínio com gráficos científicos e legendas de vídeos curtos, obtendo resultados competitivos em outras tarefas de raciocínio visual.

A Elorian saiu do modo oculto há seis meses, com uma rodada de financiamento co-liderada por Striker Venture Partners, Menlo Ventures e Altimeter Capital, além da participação da Nvidia e do cientista-chefe do Google, Jeff Dean. Os primeiros clientes-alvo incluem empresas com grandes volumes de vídeo, como robótica, laboratórios científicos, mídia e empresas criativas. A longo prazo, a meta da Elorian é expandir de “ver” para “fazer”, construindo um modelo que possa tomar decisões e controlar robôs. Para o próximo ano, Dai planeja que a empresa crie “o melhor modelo de raciocínio visual do mundo”, liderando em todos os testes visuais.