据 TechCrunch 独家获悉，Palo Alto 的 AI 初创公司 Elorian 在产品尚未正式推出前，就以 3 亿美元估值完成了 5500 万美元种子轮融资。该公司于周五发布了首个模型。

这款名为 Glimpse 的模型以研究预览版形式上线，提供 API 访问；聊天界面则仅限候补名单用户使用。就目前而言，它更像是一份结果表和一篇论文。其核心主张是：今天的 AI 模型虽然在语言和代码方面很强，但仍然“看不真切”。

大多数多模态模型会先看一眼图像，把它转换成 token，然后再用文本进行推理——就像凭记忆描述一张照片。Glimpse 则会不断回到源图像。在推理过程中，它可以裁切到某个区域，从视频中提取特定帧，或者运行代码来测量或比较它正在查看的内容。Elorian 将这一机制称为“视觉草稿空间”（visual scratch space）。可以把它想成有人在手机照片上捏合放大，反复确认自己刚才看到的内容。

对于前谷歌 DeepMind 研究员、Elorian 首席执行官 Andrew Dai 来说，AI 仍然无法真正“看见”的一个最明显信号，出现在一次游戏之夜。

去年，他拍下了一局刚和朋友们结束的桌游，并问一个前沿模型谁在领先。模型无法回答。他告诉 TechCrunch，桌游“各自都有自己的视觉语言、图标体系和符号”。“对成年人来说，只需要很少的文字就能理解发生了什么，但这些模型无法凭直觉理解这些符号的含义。”

“人类可以看着 IKEA 的说明图、没有文字，也能把 IKEA 家具装起来，对吧？为什么 AI 模型不行？”他说。

这种方法并非完全新鲜——OpenAI 已在 2025 年为其 o 系列模型加入了推理过程中的裁切和缩放功能——但 Elorian 的说法是，它把整个模型都围绕这一点来构建，而且成本更低。公司表示，只有一个小团队用几百块 GPU 训练了 Glimpse，而且与其对标的前沿系统相比，这款模型明显更小。

Glimpse 的价格为每百万输入 token 0.60 美元、每百万输出 token 3 美元。它比 Sonnet 和 Sol 这类中端模型更便宜，但比 Haiku 和 Luna 这类轻量模型更贵。

不过，根据 Elorian 的评估，Glimpse 在科学图表推理和短视频字幕生成方面甚至优于 GPT-6 Astra，并且在其他视觉推理任务上也具有竞争力。

Elorian 在 6 个月前走出隐身，当时公司完成了一轮融资，由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 共同领投，Nvidia 以及 Google 首席科学家 Jeff Dean 参与投资。

公司最初瞄准的是手握大量视频内容的企业：机器人公司、科研实验室，以及媒体和创意公司。从长期看，Elorian 希望从“看见”走向“行动”。这意味着要构建一个场景模型，并利用它来选择动作，包括直接控制机器人。Dai 说，明年公司计划打造“世界上最好的视觉推理模型”，在所有视觉推理测试中都处于领先。