Elorian这家来自帕洛阿尔托的AI初创公司在推出产品前以3亿美元估值完成了5500万美元的种子轮融资，其首个模型已于周五发布，TechCrunch独家获悉。
核心论点：AI仍无法真正“看见”
该模型名为Glimpse，此次作为研究预览版推出并提供API访问权限，而聊天界面则采用候补名单制，因此目前仅展示结果表格和核心论点。这一论点是：尽管当今的AI模型在语言和代码方面表现出色，但仍无法真正“看见”。
大多数多模态模型只查看一次图像，将其转换为标记（tokens），然后在文本中进行推理——就像凭记忆描述一张照片。Glimpse 则会不断回溯到原始数据源。在推理过程中，它可以裁剪出特定区域、从视频中提取关键帧，或运行代码来测量或比较其所观察的内容，Elorian 将这一机制称为“视觉草稿空间”。这类似于有人在手机照片上捏合缩放，以再次确认自己看到的内容。
起源：从棋盘游戏引发的思考
对于前 Google DeepMind 研究员兼 Elorian CEO Andrew Dai 来说，AI 仍无法真正“看见”的最清晰迹象之一出现在一个游戏之夜。
去年，他拍了一张刚和朋友玩完的棋盘游戏照片，并询问某个前沿模型谁正在获胜。该模型无法回答。他对 TechCrunch 表示：“每种棋盘游戏都有自己独特的视觉语言、图标和符号。”“对成年人来说，只需少量文字就能轻松理解发生了什么，但这些模型却无法直观地理解这些符号的含义。”
他说：“人类可以不看任何文字，仅凭宜家（Ikea）的示意图组装宜家家具，对吧？为什么 AI 模型做不到？”
技术优势与成本效益
这种方法并非完全新颖——OpenAI 在 2025 年为其 o 系列模型中加入了推理过程中的裁剪与缩放功能——但 Elorian 的主张是，它围绕这一核心能力构建了整个模型，且成本较低。该公司称，一个小团队仅在几百块 GPU 上就训练出了 Glimpse，并且该模型的规模远小于其基准测试所对标的前沿系统。
Glimpse 的输入价格为每百万 token 0.60 美元，输出价格为每百万 token 3 美元——比 Sonnet 和 Sol 等中级模型更便宜，但比 Haiku 和 Luna 等轻量级模型更昂贵。
但根据 Elorian 的评估结果，Glimpse 在科学图表推理和短视频字幕生成方面甚至超越了 GPT-6 Astra，在其他视觉推理任务中也取得了具有竞争力的结果。
融资背景与未来愿景
六个月前，Elorian 结束隐身状态，由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 联合领投完成一轮融资，Nvidia 和谷歌首席科学家 Jeff Dean 也参与了投资。
其初期目标客户是拥有大量视频数据的公司：包括机器人公司、科学实验室、媒体机构和创意企业。从长远来看，Elorian 希望从“看见”迈向“行动”，即利用场景建模来选择执行动作，包括直接控制机器人。Dai 表示，明年公司旨在打造“全球最佳的视觉推理模型”，在所有视觉推理测试中均处于领先地位。