Дешево, сердито и со своими агентами: Конкурент ChatGPT освоил человеческую осторожность
Нейросети научили повторно рассматривать изображения прямо во время рассуждений, а не полагаться только на первоначальное восприятие. Американский стартап Elorian представил модель Glimpse, которая самостоятельно увеличивает детали, пересматривает видео и проверяет собственные выводы.
Разработчики рассчитывают решить одну из проблем мультимодального искусственного интеллекта (ИИ). Современные модели умеют описывать фотографии, распознавать предметы и отвечать на вопросы об изображениях, но нередко ошибаются, когда правильный ответ зависит от мелких деталей или взаимного расположения объектов. Особенно трудно алгоритмам проследить за движением нескольких предметов, разобраться в сложной диаграмме или понять последовательность действий на видеозаписи.
В основе Glimpse лежит механизм visual scratch space, который разработчики называют визуальным пространством для рассуждений. Вместо однократной обработки изображения модель может возвращаться к исходным данным на разных этапах решения задачи. Например, увеличить подозрительный участок фотографии, выделить дополнительные кадры видео или запустить программный код, чтобы измерить расстояния и сравнить объекты. Полученные сведения помогают уточнить первоначальную гипотезу до формирования окончательного ответа.
При анализе видеозаписей Glimpse способна повторно просматривать короткие фрагменты с большей частотой кадров, отслеживать отдельные предметы при движении камеры и различать последовательные события. В одном из демонстрационных примеров модель определяет, замедляется ли поезд, сравнивая перемещение выбранного объекта между кадрами. В другом считает щенков на видео, сохраняя идентичность каждого животного даже после временного исчезновения из кадра.
Архитектура также позволяет запускать несколько вспомогательных ИИ-агентов, которые совместно решают визуальную задачу и обмениваются текстом, изображениями и промежуточными представлениями. Elorian утверждает, что обучала модель комплексно работать с инструментами для обработки изображений, просмотра видео и выполнения программного кода. Такой подход должен помогать при анализе научных графиков, технических схем, лабораторных данных и видеозаписей промышленных процессов.
По результатам испытаний, опубликованных самой компанией, Glimpse превосходит GPT-6 Astra в нескольких задачах, включая анализ научных графиков, подсчёт объектов и описание коротких видеороликов. В тесте WGO Bench на понимание действий при манипулировании предметами модель набрала 42,70 балла против 39,42 у GPT-6 Astra. В проверке пространственного мышления ERQA обе системы показали одинаковую точность 83,75%. Независимого подтверждения общего превосходства Glimpse над конкурентами пока нет.
Разработчики утверждают, что добились сопоставимых с ведущими системами результатов при существенно меньших вычислительных затратах. Для создания Glimpse небольшая команда использовала несколько сотен графических процессоров и дополнительно обучила базовую модель с открытыми весами. При этом Elorian не раскрывает все подробности архитектуры и обучения, поэтому оценить эффективность подхода независимо пока сложно.
Стоимость работы через API составляет 0,60 доллара за миллион входных токенов и 3 доллара за миллион выходных. Токены представляют собой единицы информации, которые модель обрабатывает при получении запроса и формировании ответа. Компания заявляет, что тарифы на 94% ниже стоимости GPT-6 Astra. Glimpse доступна в режиме исследовательского предварительного доступа, однако разработчики пока не обещают стабильности и возможностей полноценного коммерческого релиза.
За стартапом стоит бывший исследователь Google DeepMind Эндрю Дай. По его словам, идея проекта возникла после неудачной попытки попросить передовую нейросеть определить победителя настольной игры по фотографии игрового поля. Алгоритм не смог правильно интерпретировать условные обозначения и взаимное расположение элементов, хотя человеку подобная задача не требовала специальных знаний. Дай считает, что способность самостоятельно перепроверять визуальные наблюдения приблизит ИИ к более глубокому пониманию физического мира.
Elorian привлекла 55 млн долларов начальных инвестиций при оценке бизнеса в 300 млн долларов ещё до выпуска первого продукта. В финансировании участвовали Striker Venture Partners, Menlo Ventures, Altimeter Capital, Nvidia и главный научный сотрудник Google Джефф Дин. Первоначально компания ориентируется на робототехнику, научные лаборатории и организации, обрабатывающие большие объёмы видео. В дальнейшем разработчики хотят перейти от распознавания происходящего к выбору физических действий, включая непосредственное управление роботами.
Сама идея повторного изучения изображений не появилась впервые вместе с Glimpse. Ещё в 2025 году OpenAI внедрила в модели серии o возможность увеличивать отдельные фрагменты изображений во время рассуждений. Elorian пытается сделать подобное поведение основой всей архитектуры, а не дополнительным инструментом. Насколько подход повышает точность в реальных задачах, покажут независимые испытания, особенно на сложных изображениях и видеозаписях, которые не входили в демонстрационные наборы разработчика.