Blog

Glimpse، اولین مدل Elorian: هوش مصنوعی‌ای که وسط فکر کردن دوباره به تصویر نگاه می‌کند

استارتاپ Elorian، با مدیرعاملی پژوهشگر سابق DeepMind، مدل Glimpse را عرضه کرد. این مدل حین استدلال روی تصویر و ویدیو زوم می‌کند و فریم برمی‌دارد، با چند صد GPU ساخته شده و ۹۴٪ ارزان‌تر از GPT-6 Astra است.

17 Oct 2026 · 3 min read · هوش مصنوعی · مدل چندوجهی · بینایی ماشین · Elorian · Glimpse · استدلال بصری · رباتیک · استارتاپ

Glimpse، اولین مدل Elorian: هوش مصنوعی‌ای که وسط فکر کردن دوباره به تصویر نگاه می‌کند

استارتاپ Elorian از پالوآلتو، که قبل از داشتن حتی یک محصول ۵۵ میلیون دلار سرمایه‌ی بذری با ارزش‌گذاری ۳۰۰ میلیون دلاری گرفته بود، حالا اولین مدلش را منتشر کرده: Glimpse. مدیرعاملش، Andrew Dai، قبلاً پژوهشگر Google DeepMind بوده. ادعای اصلی‌شان ساده است: مدل‌های امروزی با زبان و کد خوب کار می‌کنند، ولی هنوز واقعاً «نمی‌بینند».

تصویر گزارش TechCrunch درباره‌ی Elorian و مدل Glimpse
تصویر گزارش اختصاصی TechCrunch از عرضه‌ی Glimpse. منبع: TechCrunch

فرقش با مدل‌های چندوجهی معمولی چیست؟

بیشتر مدل‌های multimodal تصویر را یک بار نگاه می‌کنند، آن را به توکن تبدیل می‌کنند و بعد فقط در متن درباره‌اش فکر می‌کنند. مثل این است که یک عکس را از روی حافظه توصیف کنی. Glimpse در وسط استدلال به خود تصویر برمی‌گردد. می‌تواند روی یک ناحیه زوم کند، فریم‌های مشخصی از ویدیو را بیرون بکشد، یا کد اجرا کند تا چیزی را اندازه بگیرد و مقایسه کند. Elorian اسم این قابلیت را «visual scratch space» گذاشته است.

نمونه‌ی ردیابی سرعت قطار در ویدیو توسط Glimpse
یکی از نمونه‌های Elorian: مدل یک لبه‌ی پنجره‌ی قطار را در طول زمان دنبال می‌کند و نتیجه می‌گیرد که قطار در حال ترمز گرفتن است. منبع: elorian.ai

این ایده کاملاً تازه نیست، چون OpenAI در ۲۰۲۵ قابلیت crop و zoom حین استدلال را به مدل‌های سری o اضافه کرد. حرف Elorian این است که کل مدل را دور همین ایده ساخته و با هزینه‌ی کم. طبق بلاگ رسمی، تیم کوچکشان Glimpse را با فقط چند صد GPU و با پس‌آموزش (post-training) روی یک مدل پایه‌ی open-weights ساخته است.

عکس انبردست‌های باز و بسته و قیچی برای تست شمارش
تست شمارش: «چند انبردست باز هست؟» مدل باید انبردست‌های بسته و قیچی‌ها را جدا کند. پاسخ مرجع چهار است. منبع: elorian.ai

قیمت و بنچمارک‌ها

قیمت Glimpse برای هر یک میلیون توکن ۰٫۶۰ دلار ورودی و ۳ دلار خروجی است. به گفته‌ی Elorian این یعنی ۹۴٪ ارزان‌تر از GPT-6 Astra، ۸۵٪ ارزان‌تر از Claude Opus 5.5 و حتی ۲۰٪ ارزان‌تر از نرخ معرفی Gemini 3.8 Flash.

نمودار مقایسه‌ی قیمت Glimpse با مدل‌های دیگر
قیمت ورودی و خروجی برای هر یک میلیون توکن (دلار). نمودار ساخته‌شده از داده‌های بلاگ Elorian

طبق ارزیابی‌های خود Elorian، این مدل در چهار بنچمارک از GPT-6 Astra جلوتر است: استدلال روی نمودارهای علمی (CharXiv-R)، شمارش با واژگان باز (FSC-147)، کپشن‌نویسی ویدیوهای کوتاه (UGC-VideoCap) و فهم رویدادهای دست‌کاری اشیا در رباتیک (WGO Bench). در ERQA هم با Astra برابر است. ولی در استدلال زمانی دقیق (TOMATO)، کپشن متراکم ویدیو (DREAM-1K) و Video-MME هنوز عقب‌تر است.

نمودار مقایسه‌ی بنچمارک‌های Glimpse، GPT-6 Astra و Opus 5.5
چند بنچمارک منتخب: Glimpse در بعضی جلوتر و در بعضی عقب‌تر است. داده‌ها از ارزیابی‌های خود Elorian

بازار هدف: رباتیک و آرشیوهای ویدیو

مشتری‌های اولیه شرکت‌هایی هستند که حجم زیادی ویدیو دارند: رباتیک، آزمایشگاه‌های علمی، رسانه و صنایع خلاق. Elorian در بلاگش نشان داده که Glimpse می‌تواند داده‌های teleoperation رباتیک را برچسب بزند و به‌عنوان planner برای یک مدل VLA (π0.5 از Physical Intelligence) کار کند. هدف بلندمدت‌شان رفتن از «دیدن» به «انجام دادن» است، یعنی کنترل مستقیم ربات. Glimpse فعلاً research preview است و از طریق API و رابط چت در دسترس است.

Glimpse به‌عنوان planner یک بازوی رباتیک در تسک LIBERO
Glimpse و GPT-6 Astra هر کدام برای یک policy رباتیک در تسک LIBERO برنامه‌ریزی می‌کنند. منبع: elorian.ai

نظر من

به نظرم مهم‌ترین نکته‌ی این خبر بنچمارک‌ها نیست، چون همه‌شان را خود Elorian اجرا کرده و تا ارزیابی مستقل نیاید باید با احتیاط نگاهشان کرد. نکته‌ی مهم این است که یک تیم کوچک با چند صد GPU و یک مدل پایه‌ی باز توانسته در یک حوزه‌ی مشخص با مدل‌های فرانتیر رقابت کند. یعنی برای ساختن مدل خوب لزوماً به ده‌ها هزار GPU نیاز نیست. کافی است مسئله را درست انتخاب کنی.

ایده‌ی «دوباره نگاه کردن» هم به نظرم درست است. هر کس با مدل‌های فعلی روی اسکرین‌شات، نمودار یا نقشه‌ی فنی کار کرده باشد می‌داند که مدل‌ها اغلب با اعتمادبه‌نفس چیزی را می‌گویند که در تصویر نیست. برای ما توسعه‌دهنده‌ها، مدلی ارزان که ویدیو و تصویر را واقعاً بررسی کند، برای کارهایی مثل QA بصری اپ‌ها، تحلیل ویدیوی دوربین‌ها و برچسب‌گذاری دیتا خیلی به‌درد می‌خورد. فقط حواستان باشد که «زوم کردن» یعنی توکن بیشتر، و خود Elorian هم قبول دارد که بهره‌وری توکن اولویت بعدی‌اش است. قیمت پایین روی کاغذ لزوماً یعنی صورت‌حساب پایین نیست.

منابع: TechCrunch · بلاگ Elorian: Introducing Glimpse

Comments0

Comments +

00

No comments yet — be the first. هنوز نظری ثبت نشده؛ اولین نفر باش.

Leave a comment

0 / 2000