تصور کنید می‌خواهید یک دفترچه راهنمای پیچیده یا یک نمودار علمی را تحلیل کنید، اما هوش مصنوعی شما فقط یک نگاه کلی به عکس می‌اندازد و جزئیات حیاتی را نادیده می‌گیرد. برای حل این «کوریِ» سیستم‌های چندوجهی، استارتاپ Elorian در ۱۶ اکتبر ۲۰۲۶ مدل Glimpse را روانه بازار کرد.
بیشتر مدل‌های فعلی، تصویر را یک‌بار می‌بینند، آن را به توکن (Token) — شبیه برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — تبدیل می‌کنند و از روی حافظه استدلال می‌کنند. این روش در مواجهه با نمادهای ریز، مثل دیاگرام‌های ایکیا یا علائم بازی‌های تخته‌ای، شکست می‌خورد؛ درست مثل تفاوت بین توصیف یک عکس از روی خاطره‌ای تار با قابلیت زوم کردن روی گوشی برای تایید یک جزئیات کوچک.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی محدودیت‌های مدل‌های بینایی-زبانی اشاره کردیم، مشکل اصلی در فقدان تعامل فعال با داده‌هاست. Glimpse مکانیزمی به نام «فضای پیش‌نویس بصری» (Visual Scratch Space) معرفی می‌کند. طبق گزارش TechCrunch، این مدل به‌جای یک بار دیدن، می‌تواند در میانه استدلال، روی ناحیه‌ای خاص زوم کند، فریم‌های مجزایی از ویدیو استخراج کند یا برای اندازه‌گیری اشیا کد اجرا کند.
مشخصات فنی و عملکرد
شرکت Elorian این مدل را با تمرکز بر بهره‌وری و کاهش هزینه ساخته است:
- آموزش: توسط تیمی کوچک و تنها با چند صد واحد پردازش گرافیکی (GPU) توسعه یافته است.
- قیمت: هزینه استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی نه دوره آموزش آشپز — برای هر میلیون توکن ورودی ۰.۶۰ دلار و برای خروجی ۳ دلار است.
- محک‌ها: در استدلال روی نمودارهای علمی و شرح‌نویسی ویدیوهای کوتاه، عملکرد بهتری نسبت به GPT-6 Astra دارد.
اندرو دای (Andrew Dai)، مدیرعامل شرکت و پژوهشگر سابق گوگل دیپ‌مایند، تأکید کرد که این مدل به‌طور قابل‌توجهی کوچک‌تر از سیستم‌های پیشرو است. این استارتاپ در دور سرمایه‌گذاری اولیه ۵۵ میلیون دلاری خود، حمایت شرکت‌هایی چون Nvidia و سرمایه‌گذاران بزرگی مثل Menlo Ventures را جذب کرده است.
این تغییر رویکرد نشان می‌دهد که مرز بعدی هوش مصنوعی، لزوماً داده‌های بیشتر نیست، بلکه تعامل بهینه‌تر با داده‌های خام است. با تبدیل بینایی از یک ورودی غیرفعال به یک فرآیند فعال، Elorian به سمت مدل‌هایی می‌رود که می‌توانند در دنیای فیزیکی «عمل» کنند.
برای کاربر نهایی، این یعنی هوش مصنوعی می‌تواند بدون دچار شدن به توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — در تحلیل‌های دقیق علمی کمک کند. این تحول، مدل را از یک «راوی تصاویر» به یک «تحلیل‌گر بصری» تبدیل می‌کند.
در حال حاضر Elorian شرکت‌های رباتیک، آزمایشگاه‌های علمی و رسانه‌هایی با آرشیو ویدئویی حجیم را هدف قرار داده است. هدف نهایی آن‌ها تبدیل Glimpse به سیستمی است که با ساخت مدل‌های داخلی از محیط، بتواند مستقیماً ربات‌ها را کنترل کند.
گام بعدی شما
- اگر با تحلیل داده‌های بصری یا نمودارهای پیچیده سروکار دارید، مدل‌های با قابلیت زوم پویا را جایگزین مدل‌های استاتیک کنید.
- هزینه‌های استنتاج مدل‌های کوچک‌تر اما تخصصی را با مدل‌های غول‌پیکر مقایسه کنید تا به بهینه‌ترین نقطه هزینه برسید.
- نقشه راه ۲۰۲۷ شرکت Elorian را دنبال کنید تا ببینید آیا واقعاً می‌توانند صدرنشین تمام محک‌های بینایی شوند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو