Elorian, Görsel Akıl Yürütmeye Odaklanan Glimpse’i Tanıttı

Palo Alto merkezli yapay zekâ girişimi Elorian, ilk modeli Glimpse’i araştırma ön izlemesi olarak kullanıma sundu. Model, görselleri tek seferde tarayıp elde ettiği bilgiyi metinsel bir akıl yürütme sürecine aktarmak yerine, karar verirken görüntünün belirli bölümlerine yeniden dönebiliyor. Şirket bu yaklaşımı, modelin görsel bir “karalama alanı” kullanması olarak tanımlıyor.

Glimpse şu aşamada API erişimiyle sunuluyor. Sohbet arayüzü için bekleme listesi bulunurken, modelin yetenekleri şimdilik bir sonuç tablosu ve araştırma ön izlemesi üzerinden gösteriliyor. Elorian, ürünü piyasaya sürmeden önce 55 milyon dolarlık tohum yatırımı almış ve şirketin değeri 300 milyon dolar olarak belirlenmişti.

Glimpse görüntülere yeniden bakabiliyor

Güncel çok modlu yapay zekâ modelleri, bir fotoğrafı veya videoyu çoğunlukla ilk incelemede parçalara ayırıp bunları token’lara dönüştürüyor. Ardından akıl yürütme süreci metin üzerinden ilerliyor. Elorian’ın yaklaşımı ise modelin ihtiyaç duyduğu anda kaynağa geri dönmesine dayanıyor.

Glimpse, akıl yürütme sırasında görüntünün belirli bir kısmını kırpabiliyor, videodan ilgili kareleri seçebiliyor ve gördüklerini ölçmek ya da karşılaştırmak için kod çalıştırabiliyor. Böylece model, ilk bakışta fark edemediği bir simgeyi veya ayrıntıyı daha yakından inceleyebiliyor. Bu yöntem özellikle çok sayıda görsel bilgi içeren görevlerde önem taşıyor.

Elorian’ın üst yöneticisi ve eski Google DeepMind araştırmacısı Andrew Dai, yapay zekânın görsel anlayışındaki eksikleri bir kutu oyunu deneyimiyle fark ettiğini aktardı. Dai, arkadaşlarıyla oynadığı bir oyunun fotoğrafını bir yapay zekâ modeline göstererek hangi oyuncunun önde olduğunu sordu. Model, oyunun sembollerini ve kendine özgü görsel dilini doğru yorumlayamadı.

Bu örnek, yalnızca metin içeren görsellerden bilgi çıkarmanın neden yeterli olmayabileceğini gösteriyor. İnsanlar, IKEA montaj şemaları gibi yazının sınırlı olduğu görselleri bağlam ve semboller üzerinden yorumlayabiliyor. Elorian ise Glimpse’in benzer görevlerde görsel ayrıntıları gerektiğinde tekrar kontrol etmesini hedefliyor.

Daha küçük model, görsel testlerde iddialı sonuçlar sunuyor

Görüntü üzerinde kırpma ve yakınlaştırma yaparak akıl yürütme fikri tamamen yeni değil. Ancak Elorian, bu yeteneği modelin temel çalışma biçimi olarak tasarladığını ve bunu daha düşük kaynak kullanımıyla gerçekleştirdiğini belirtiyor. Şirket, Glimpse’in küçük bir ekip tarafından birkaç yüz GPU kullanılarak eğitildiğini açıkladı. Model ayrıca karşılaştırıldığı üst seviye sistemlerden daha küçük.

Elorian’ın değerlendirmelerine göre Glimpse, bilimsel grafik yorumlama ve kısa videoları açıklama testlerinde GPT-6 Astra’nın önüne geçiyor. Model, diğer görsel akıl yürütme görevlerinde de rekabetçi sonuçlar veriyor. Bu sonuçlar şirketin kendi değerlendirmelerine dayanıyor; modelin genel performansı, bağımsız testler ve gerçek kullanım senaryoları genişledikçe daha net anlaşılacak.

Glimpse’in kullanım fiyatı, modele gönderilen her 1 milyon token için 0,60 dolar, modelin ürettiği her 1 milyon token için 3 dolar olarak açıklandı. Bu fiyatlandırma, Sonnet ve Sol gibi orta sınıf modellerden daha düşük; Haiku ve Luna gibi daha hafif modellerden ise yüksek seviyede bulunuyor.

İlk hedef video verisi yoğun şirketler

Elorian, Glimpse’in ilk müşterileri arasında çok miktarda video verisi işleyen kuruluşları hedefliyor. Robotik şirketleri, bilimsel laboratuvarlar, medya kuruluşları ve yaratıcı sektör firmaları bu gruplar arasında yer alıyor. Video analizinde doğru kareyi seçmek, küçük nesneleri incelemek veya iki görüntü arasındaki farkı ölçmek, modelin yeniden görsel inceleme yeteneğinden yararlanabilecek kullanım alanları oluşturuyor.

Şirketin uzun vadeli planı yalnızca görüntüleri yorumlamakla sınırlı değil. Elorian, bir sahnenin modelini çıkaran ve bu bilgiyi eylem seçmek için kullanan sistemler geliştirmek istiyor. Bu plan, robotların doğrudan kontrol edilmesini de kapsıyor.

Elorian, altı ay önce gizlilikten çıkarak faaliyetlerini duyurmuştu. İlk yatırım turuna Striker Venture Partners, Menlo Ventures ve Altimeter Capital ortak liderlik ederken NVIDIA ve Google’ın baş bilim insanı Jeff Dean de yatırımcılar arasında yer aldı. Andrew Dai, gelecek yıl görsel akıl yürütme testlerinde lider olacak bir model geliştirmeyi amaçladıklarını belirtiyor.