O primeiro modelo de IA da Elorian quer raciocinar com imagens, não apenas sobre elas

Elorian, a startup de IA de Palo Alto que captou uma rodada seed de US$ 55 milhões a uma avaliação de US$ 300 milhões antes mesmo de lançar um produto, lançou seu primeiro modelo na sexta-feira, soube o TechCrunch com exclusividade.

O modelo, Glimpse, está sendo lançado como uma prévia de pesquisa com acesso via API, e uma interface de chat disponível apenas por lista de espera; portanto, por enquanto, trata-se de uma tabela de resultados e uma tese. A tese? Os modelos de IA atuais, com toda a sua habilidade em linguagem e código, ainda não conseguem enxergar de verdade. 

A maioria dos modelos multimodais olha para uma imagem uma vez, converte-a em tokens e, em seguida, raciocina sobre ela em formato de texto — como descrever uma foto de memória. O Glimpse continua voltando à fonte. Em meio ao raciocínio, ele pode recortar uma região, extrair quadros específicos de um vídeo ou executar código para medir ou comparar o que está observando, um mecanismo que a Elorian chama de “espaço de rascunho visual”. Pense em alguém fazendo o gesto de pinça para dar zoom na foto de um celular para tirar a prova do que achou ter visto.

Para o ex-pesquisador do Google DeepMind e CEO da Elorian, Andrew Dai, um dos sinais mais claros de que a IA ainda não conseguia enxergar de verdade aconteceu em uma noite de jogos. 

No ano passado, ele fotografou um jogo de tabuleiro que acabara de terminar com amigos e perguntou a um modelo de ponta quem estava ganhando. Ele não soube dizer. Os jogos de tabuleiro “têm cada um a sua própria linguagem visual, cada um a sua própria iconografia, seus símbolos”, disse ele ao TechCrunch. “Para um adulto, é bastante fácil entender o que está acontecendo com o mínimo de texto, mas esses modelos não conseguem intuir o que os símbolos significam.”

“Os humanos conseguem olhar para diagramas da IKEA, sem texto nenhum, e montar móveis da IKEA, certo? Por que os modelos de IA não conseguem?”, disse ele. 

A abordagem não é totalmente nova — a OpenAI adicionou recursos de corte e zoom durante o raciocínio aos seus modelos da série o em 2025 —, mas a proposta da Elorian é que ela construiu o modelo inteiro em torno disso, de forma barata. A empresa afirma que uma equipe pequena treinou o Glimpse em algumas centenas de GPUs e que o modelo é substancialmente menor do que os sistemas de ponta com os quais é comparado em benchmarks. 

O Glimpse custa US$ 0,60 por milhão de tokens de entrada e US$ 3 por milhão de tokens de saída — mais barato que modelos de nível intermediário como Sonnet e Sol, mas mais caro que modelos leves como Haiku e Luna.

Mas, de acordo com as avaliações da Elorian, o Glimpse supera até mesmo o GPT-6 Astra em raciocínio sobre gráficos científicos e legendagem de vídeos curtos, com resultados competitivos em outras tarefas de raciocínio visual. 

A Elorian saiu da invisibilidade (stealth) há seis meses com uma rodada correferenciada pela Striker Venture Partners, Menlo Ventures e Altimeter Capital, com a participação da Nvidia e do cientista-chefe do Google, Jeff Dean.

Os alvos iniciais são empresas que acumulam muitos vídeos: firmas de robótica, laboratórios científicos, empresas de mídia e criativas. A longo prazo, a Elorian quer passar de ver para fazer. Isso significa construir o modelo de uma cena e usá-lo para escolher uma ação, incluindo o controle direto de robôs. No próximo ano, disse Dai, a empresa pretende construir “o melhor modelo de raciocínio visual do mundo”, um que liderem em todos os testes de raciocínio visual.