Elorianが初モデルGlimpseを公開、推論中に画像へ戻る視覚推論

Elorianが初モデル公開

Elorianはパロアルトに拠点を置くAIスタートアップで、製品を投入する前に55百万ドルのシードラウンドを300百万ドル評価で調達していた。その同社が、初のモデル「Glimpse」をリサーチプレビューとして公開したとTechCrunchが報じている。API経由でのアクセスが可能で、チャットインターフェースはウェイトリスト制だ。

創業者は元Google DeepMindの研究者でCEOのAndrew Dai氏。同社は6か月前にステルス状態を脱しており、そのラウンドはStriker Venture Partners、Menlo Ventures、Altimeter Capitalが共同で主導し、NvidiaとGoogleのチーフサイエンティストであるJeff Dean氏が参加した。

推論中に画像へ戻る

現在の多くのマルチモーダルモデルは、画像を一度トークンに変換し、以降はテキストとして推論する。記事ではこれを「写真を記憶から説明するようなもの」と表現している。Glimpseはこれとは異なり、推論の途中で元の画像や動画に繰り返し戻る仕組みを持つ。

具体的には、画像の一部を切り出したり、動画から特定のフレームを取り出したり、コードを実行して対象を計測・比較したりできる。Elorianはこれを「visual scratch space(視覚的な作業領域)」と呼んでいる。スマートフォンの写真をつまんで拡大し、見えたものを確認する動作に近いと説明されている。

Dai氏は、AIが本当には「見えていない」ことを示す例としてボードゲームを挙げる。友達と終えたボードゲームの写真をフロンティアモデルに渡し、誰が勝っているかを尋ねても答えられなかったという。ボードゲームにはそれぞれ独自の視覚言語やアイコン、記号があり、人間はわずかなテキストで状況を理解できるが、モデルは記号の意味を直感できないと同氏は述べている。

目新しさと位置づけ

推論中に画像を切り出してズームする手法は完全に新しいわけではない。OpenAIは2025年にoシリーズのモデルへ推論中の切り出しとズームを追加している。Elorianの主張は、その仕組みをモデル全体の設計の中心に置き、低コストで構築した点にある。

同社によれば、小規模なチームが数百基のGPUでGlimpseを学習させたという。ベンチマークで比較しているフロンティアシステムより大幅に小さいモデルだとしている。

価格は入力が100万トークンあたり0.60ドル、出力が3ドル。SonnetやSolのような中位モデルより安く、HaikuやLunaのような軽量モデルより高い。Elorianの評価では、科学的なチャートの推論と短文動画のキャプション生成でGPT-6 Astraを上回り、その他の視覚推論タスクでも競争力のある結果だとしている。

狙う市場と次の一手

初期のターゲットは動画を大量に抱える企業だ。ロボティクス企業、科学研究所、メディア、クリエイティブ系の企業が挙げられている。

長期的には「見る」から「行う」への移行を狙う。シーンのモデルを構築し、それを使って行動を選ぶ構想で、ロボットの直接制御も含まれる。Dai氏は来年、あらゆる視覚推論テストで首位に立つ「世界最高の視覚推論モデル」を作ることが目標だと述べている。

現時点の注意点

性能の比較はElorian自身の評価に基づいており、第三者が検証した結果は示されていない。モデルのパラメータ数など具体的な規模も公表されていない。チャットインターフェースはウェイトリスト制で、誰でもすぐに試せる状況ではない。

日本語を含む多言語での視覚推論の性能、APIの提供地域、既存システムからの移行方法については、原文に記載がない。ベンチマークの詳細な条件も明らかにされていないため、実務での採用判断には追加の情報が必要になる。