Elorian a lansat Glimpse, pe care compania îl numește o categorie nouă: model care gândește vizual. Raționează despre lumea fizică pornind de la ce vede. Urmărește obiecte în mișcare, ține pasul când se schimbă unghiul camerei, înțelege cum se îmbină părțile și leagă ce vede de ce urmează. E disponibil de acum prin interfață de programare și prin interfață de conversație.
Gândește în spațiul vizual
Modelul își revizuiește reprezentările vizuale pe măsură ce gândește, nu doar le primește la început. Când are de socotit o viteză, urmărește o margine fixă prin cadru. Când nu e sigur dacă o filmare are o tăietură sau doar o panoramare, reia cele câteva zecimi de secundă la un ritm mai des, cam 14 cadre pe secundă în loc de 8.
Cum stă la măsurători
Pe puncte de referință multimodale ajunge la nivelul lui GPT-6 Astra și Claude Opus 5.5, iar uneori le întrece: raționament pe grafice științifice 92,90 față de 92,10, numărare în vocabular deschis 83,36 față de 82,02, descrierea clipurilor scurte 82,66 față de 80,32. Pierde însă la înțelegerea scenelor, 46,36 față de 53,6, și la raționamentul temporal fin.
Prețul și echipa
La intrare costă 0,60 dolari milionul de simboluri, la ieșire 3 dolari, cu 94% sub Astra. În spate n-au stat mii de plăci video: echipa a plecat de la un model de bază cu greutăți deschise și l-a antrenat pe câteva sute. Ca agent folosește unelte care scriu cod, transformă imagini și vizionează clipuri, și poate porni subagenți care își schimbă materiale vizuale. La o probă de robot a planificat pentru aceeași politică π0.5 și a dus sarcina la capăt cu 3,5 cenți, față de 25 de cenți la Astra.
No comments yet