Elorian ra mắt Glimpse, mô hình AI thay đổi cách suy luận từ hình ảnh

Khi chụp ảnh một bàn cờ vừa kết thúc và yêu cầu một mô hình trí tuệ nhân tạo hàng đầu xác định bên chiến thắng, hệ thống hoàn toàn thất bại. Trải nghiệm thực tế này của Andrew Dai, cựu nghiên cứu viên tại Google DeepMind và hiện là CEO của Elorian, đã phơi bày một giới hạn lớn: các hệ thống AI hiện nay có thể rất giỏi về ngôn ngữ và lập trình, nhưng năng lực thị giác thực sự vẫn còn sơ khai.

Nhằm giải quyết bài toán này, Elorian – startup có trụ sở tại Palo Alto từng huy động 55 triệu USD ở mức định giá 300 triệu USD ngay từ vòng hạt giống (seed round) – vừa chính thức giới thiệu mô hình đầu tiên mang tên Glimpse dưới dạng bản thử nghiệm nghiên cứu (research preview), cung cấp qua giao diện trò chuyện và giao diện lập trình ứng dụng (API).

Khác biệt từ cơ chế ‘không gian nháp thị giác’

Phần lớn các mô hình đa phương thức (multimodal models) truyền thống chỉ xử lý hình ảnh qua một lần quét, chuyển đổi toàn bộ khung hình thành các chuỗi đơn vị từ (tokens) rồi tiếp tục suy luận hoàn toàn bằng văn bản. Quy trình này tương tự việc một người cố gắng mô tả lại chi tiết bức ảnh chỉ dựa vào trí nhớ.

Ngược lại, Glimpse liên tục tương tác ngược lại với dữ liệu nguồn. Trong suốt chu trình tư duy, mô hình có thể tự động cắt vùng ảnh (crop), trích xuất từng khung hình cụ thể từ video, hoặc chạy mã lệnh để đo đạc và so sánh các chi tiết trực quan. Elorian gọi đây là không gian nháp thị giác (visual scratch space), mô phỏng thao tác người dùng dùng hai ngón tay phóng to một khu vực trên màn hình điện thoại để kiểm tra lại chi tiết vừa nhìn thấy.

Theo Dai, con người có thể nhìn vào một tờ hướng dẫn lắp ráp đồ nội thất Ikea hoàn toàn không có chữ mà vẫn thao tác chính xác, trong khi các mô hình ngôn ngữ lớn (LLMs) lại chật vật với các biểu tượng và ngôn ngữ thị giác trực quan.

Tối ưu hiệu năng trên phần cứng tinh gọn

Dù kỹ thuật phóng to và cắt vùng ảnh từng được OpenAI tích hợp vào dòng mô hình o-series vào năm 2025, Elorian khẳng định điểm đột phá của họ nằm ở việc thiết kế toàn bộ kiến trúc mô hình xoay quanh cơ chế này với chi phí tiết kiệm đáng kể. Một đội ngũ kỹ sư quy mô nhỏ đã huấn luyện Glimpse chỉ trên vài trăm bộ xử lý đồ họa (GPUs), tạo ra một mô hình có kích thước gọn hơn nhiều so với các hệ thống hàng đầu.

Chi phí vận hành của Glimpse được niêm yết ở mức 0,60 USD cho mỗi triệu token đầu vào và 3 USD cho mỗi triệu token đầu ra. Mức giá này kinh tế hơn các mô hình phân khúc giữa như Claude Sonnet hay Sol, dù cao hơn các phiên bản siêu nhẹ như Haiku hay Luna.

Dữ liệu đánh giá nội bộ của Elorian cho thấy Glimpse vượt qua cả GPT-6 Astra ở tác vụ suy luận trên biểu đồ khoa học và tự động tạo phụ đề cho video ngắn, đồng thời ghi nhận kết quả cạnh tranh ở nhiều bài kiểm tra thị giác khác.

Lộ trình từ nhận thức hình ảnh đến điều khiển robot

Elorian chính thức rời trạng thái hoạt động bí mật cách đây 6 tháng thông qua vòng gọi vốn do Striker Venture Partners, Menlo Ventures và Altimeter Capital đồng dẫn dắt, với sự tham gia của hãng chip Nvidia cùng Jeff Dean, nhà khoa học trưởng của Google.

Tập khách hàng mục tiêu ban đầu của startup là các đơn vị nắm giữ kho dữ liệu video khổng lồ, bao gồm các công ty phát triển robot, phòng thí nghiệm nghiên cứu khoa học và các doanh nghiệp truyền thông sáng tạo. Về dài hạn, mục tiêu của Elorian là chuyển dịch từ khả năng quan sát sang hành động: tái tạo mô hình không gian thực tế từ khung cảnh để đưa ra quyết định vận hành, bao gồm cả điều khiển trực tiếp hệ thống robot tự hành trong tương lai.

Nguồn: TechCrunch

LIÊN HỆ TƯ VẤN CÁC DỊCH VỤ AI

Hỗ trợ tư vấn, đào tạo và chuyển giao AI cho cá nhân, doanh nghiệp và tổ chức.

📞 Điện thoại: 0981243678 Liên hệ qua Zalo