Ugrás a tartalomra
Neural Daily

ModellekHír

Elorian Glimpse: olcsó vizuális gondolkodó modell

Az Elorian október 16-án mutatta be a Glimpse-et, amelyet „vizuális gondolkodó modellnek” nevez: képekből és videókból következtet a fizikai világra. A cég szerint több multimodális teszten GPT-6 Astra-szintű, miközben a token ára 94%-kal alacsonyabb.

Írta: Mikola Máté Patrik · · 2 perc olvasás

Elorian launch graphic: Introducing Glimpse, a visual thinking model that reasons about the physical world
Kép: Elorian · Sajtókép · Official launch image · Forrás

Mi a Glimpse?

A Glimpse a következtetés közben is vizuális reprezentációkkal dolgozik: ráközelít egy képrészletre, egy rövid videószakaszt sűrűbb képkockaszámmal néz meg újra, vagy egy tárgyat követ az időben. Agentként kódot ír, képeket alakít és videót néz. Alagenteket is indíthat, amelyek szöveget, képeket és belső reprezentációkat adnak át egymásnak (Elorian).

Az Elorian szerint egy kis csapat néhány száz GPU-val, egy nyílt súlyú alapmodell utótanításával készítette. A modell előzetes (preview) változat, API-n és a cég chatfelületén érhető el, illetve a Together AI-on is (Together AI).

Ár és eredmények

A Glimpse egymillió bemeneti tokenenként 0,60, kimenetiként 3,00 dollárba kerül. Ez a cég szerint 94%-kal olcsóbb a GPT-6 Astránál, 85%-kal a Claude Opus 5.5-nél, 70%-kal a GPT-6.1 Solnál és 20%-kal a Gemini 3.8 Flash bevezető áránál.

A cég által közölt eredmények szerint a Glimpse négy teszten megelőzi a GPT-6 Astrát, egyen megegyezik vele, több másikon viszont elmarad tőle:

  • Jobb: WGO Bench (robotmanipulációs események) 42,70 vs. 39,42; CharXiv-R (tudományos grafikonok) 92,90 vs. 92,10, bár itt az Opus 5.5 93,40-nel vezet; UGC-VideoCap (rövid videók feliratozása) 82,66 vs. 80,32; FSC-147 (számlálás) 83,36 vs. 82,02.
  • Egyenlő: ERQA (térbeli következtetés) 83,75.
  • Gyengébb: Video-MME v2 56,68 vs. 64,06; TOMATO 93,60 vs. 96,02; HSS 46,36 vs. 53,6; BabyVision 95,36 vs. 97,68; DREAM-1K 76,04 vs. 79,05; CountQA 82,66 vs. 86,42.

Ezeket az eredményeket a fejlesztő közölte, független mérés még nincs. A cég maga is jelzi, hogy a modell alapos vizsgálódása időbe és tokenbe kerül, a következő fókusz a tokenhatékonyság.

Mire jó?

Az Elorian példái közt van robotikai tanítóadat címkézése és szegmentálása, videók sűrű feliratozása, illetve tárgyak számlálása videón. Egy LIBERO-feladatban a Glimpse és a GPT-6 Astra is tervezőként irányította ugyanazt a Physical Intelligence-féle π0.5 robotpolicyt. Mindkettő megoldotta a feladatot, a Glimpse tervezése 0,035, az Astráé 0,249 dollárba került.

Közvetlen robotvezérlésre a Glimpse még nem képes: a cég szerint a jelenet pontos rekonstrukciója és a robotvezérlés a következő lépések. Akinek képi vagy videós elemzés kell nagy volumenben, például minőségellenőrzéshez vagy adatcímkézéshez, annak az ár miatt érdemes lehet saját adatokon kipróbálni.

    MI segítségével készült, szerkesztő ellenőrizte. Hogyan készülnek a cikkeink

    Szerkesztőségünk ellenőrizte és szerkesztette. Rólunk

    Kapcsolódó cikkek