استارتاپ Elorian مستقر در پالو آلتو از نخستین مدل هوش مصنوعی استدلال بصری اختصاصی خود با نام Glimpse رونمایی کرد؛ مدلی نوآورانه که با جذب ۵۵ میلیون دلار سرمایه و تکیه بر معماری «فضای چرک‌نویس بصری»، امکان بازبینی پویای تصاویر و درک شهودی اطلاعات دیداری را فراهم می‌آورد و طبق ادعای سازندگانش، در برخی حوزه‌ها حتی کارایی بالاتری نسبت به GPT-6 نشان می‌دهد.
معماری چرک‌نویس بصری؛ چرا مدل‌های زبانی در فهم تصویر ناتوان بودند؟
اغلب مدل‌های چندوجهی رایج در بازار، داده‌های بصری را فقط در ابتدای فرایند ورودی به توکن‌های متنی تبدیل می‌کنند و سپس بر پایه حافظه متنی به تحلیل می‌پردازند؛ رفتاری مشابه فردی که می‌کوشد تصویری را از حفظ توصیف کند. این محدودیت ساختاری باعث ناتوانی هوش مصنوعی در خواندن دفترچه‌های راهنمای بدون متن (مانند کاتالوگ سرهم‌کردن مبلمان ایکیا) یا تشخیص برنده یک بازی رومیزی صرفاً از روی چیدمان مهره‌ها و نمادها می‌شد؛ دغدغه‌ای که جرقه اصلی تأسیس الوریان توسط اندرو دای، پژوهشگر سابق گوگل دیپ‌مایند، بود.
مدل Glimpse بر پایه سازوکاری موسوم به «فضای چرک‌نویس بصری» (Visual Scratchpad) پایه‌ریزی شده است. این سیستم به جای اکتفا به یک اسکن اولیه، در حین جریان استدلال مکرراً به اصل داده بصری رجوع می‌کند، بخش‌های مدنظر را برش می‌دهد و بزرگ‌نمایی می‌کند، فریم‌های کلیدی ویدیو را بیرون می‌کشد یا کدهای تحلیلی را برای اندازه‌گیری و مقایسه ابعاد تصویر به اجرا درمی‌آورد. اگرچه اوپن‌ای‌آی در سال ۲۰۲۵ رویکرد برش تصاویر را در مدل‌های سری o آزموده بود، اما تیم کوچک الوریان مدعی است که توانسته ساختار کلی Glimpse را از صفر، با هزینه‌ای ناچیز و با استفاده از چند صد تراشه پردازش گرافیکی آموزش دهد.
تعرفه توکن‌ها، بنچمارک‌ها و چشم‌انداز ورود به عرصه رباتیک
نسخه پیش‌نمایش پژوهشی Glimpse در قالب واسط گفت‌وگو و API در اختیار توسعه‌دهندگان قرار گرفته است. ارزیابی‌های اولیه نشان می‌دهند که این مدل در استدلال روی نمودارهای علمی پیچیده و نگارش توضیحات فشرده برای فایل‌های ویدیویی، از GPT-6 Astra پیشی گرفته و در سایر وظایف ادراکی رقابتی پایاپای ارائه می‌دهد.
مشتریان هدف این استارتاپ شامل آزمایشگاه‌های علمی، شرکت‌های تولید محتوای ویدیویی و پلتفرم‌های رباتیک هستند. هدف بلندمدت تیم الوریان، استفاده از قدرت ادراک صحنه این سیستم برای کنترل مستقیم سخت‌افزارها و تولید بهترین مدل بصری دنیا تا سال آینده است.