Elorian, ein KI-Startup aus Palo Alto, hat sein erstes Modell namens Glimpse als Forschungsvorschau mit API-Zugang und Chat-Interface veröffentlicht. Das Modell, das vor seiner Produkteinführung eine Seed-Runde von 55 Millionen US-Dollar bei einer Bewertung von 300 Millionen US-Dollar erhalten hatte, zielt darauf ab, die Fähigkeiten von KI-Modellen im visuellen Denken zu verbessern.
Neuer Ansatz für die Bildanalyse
Herkömmliche multimodale KI-Modelle analysieren Bilder in der Regel nur einmal, wandeln sie in digitale Informationseinheiten, sogenannte Tokens, um und leiten dann textbasierte Schlussfolgerungen ab. Laut Andrew Dai, CEO von Elorian und ehemaliger Google DeepMind-Forscher, können diese Modelle visuelle Informationen oft nicht tiefgreifend verstehen. Er nannte Beispiele wie die Unfähigkeit, Gewinner in Brettspielen zu identifizieren, deren Regeln auf visuellen Symbolen basieren, oder IKEA-Anleitungen ohne Text zu interpretieren.
Glimpse verfolgt einen anderen Ansatz, den Elorian als „visual scratch space“ (visuellen Notizbereich) bezeichnet. Es kehrt während des Denkprozesses immer wieder zur ursprünglichen Bildquelle zurück. Das Modell kann in bestimmte Bildbereiche hineinzoomen, spezifische Frames aus einem Video extrahieren oder Code ausführen, um visuelle Elemente zu messen oder zu vergleichen. Dieser Mechanismus ist vergleichbar mit dem Zoomen auf einem Smartphone-Foto zur Detailprüfung.
Obwohl OpenAI diese Art von „Crop-and-Zoom“-Funktionalität für seine o-Serienmodelle im Jahr 2025 angekündigt hat, betont Elorian, dass Glimpse von Grund auf für diesen Ansatz entwickelt wurde und dabei kostengünstig ist. Ein kleines Team trainierte Glimpse mit wenigen hundert GPUs, wodurch es deutlich kleiner ist als die größeren Vergleichssysteme.
Leistung und Kostenstruktur
Elorian gibt an, dass Glimpse in eigenen Bewertungen GPT-6 Astra beim Verständnis wissenschaftlicher Diagramme und der Beschriftung kurzer Videos übertrifft und bei anderen visuellen Denkaufgaben wettbewerbsfähige Ergebnisse liefert.
Die Kosten für die Nutzung von Glimpse liegen bei 0,60 US-Dollar pro Million eingehender Tokens und 3 US-Dollar pro Million ausgehender Tokens. Damit ist es günstiger als Modelle der mittleren Leistungsklasse wie Sonnet und Sol, aber teurer als leichtere Modelle wie Haiku und Luna.
Anwendungsbereiche und Zukunftsvision
Zu den anfänglichen Zielgruppen für Glimpse gehören Unternehmen, die große Mengen an Videodaten verarbeiten, darunter Robotikfirmen, wissenschaftliche Labore sowie Medien- und Kreativunternehmen. Elorian kam vor sechs Monaten aus dem Stealth-Modus und erhielt Finanzierungen, die von Striker Venture Partners, Menlo Ventures und Altimeter Capital mitgeleitet wurden, unter Beteiligung von Nvidia und Google-Chefentwickler Jeff Dean.
Langfristig strebt Elorian an, von der reinen visuellen Wahrnehmung zum Handeln überzugehen. Dies beinhaltet den Aufbau eines Szenenmodells, um darauf basierend Aktionen auszuwählen, einschließlich der direkten Steuerung von Robotern. Für das kommende Jahr hat Elorian das Ziel formuliert, das „weltweit beste visuelle Denkmodell“ zu entwickeln, das bei allen visuellen Denktests führend ist.
Thema: Technologie / KI allgemein. Quelle/Inspiration: TechCrunch.