Elorian, startup AI đến từ Palo Alto, vừa công bố mô hình đa phương tiện đầu tiên mang tên Glimpse. Khác với các mô hình đa mô hình truyền thống chỉ chuyển ảnh thành token một lần, Glimpse giữ lại nguồn ảnh gốc và cho phép mô hình “cắt zoom” trong quá trình suy luận, một tính năng mà công ty gọi là visual scratch space.
Với visual scratch space, Glimpse có thể:
- Chọn vùng ảnh cụ thể để phân tích chi tiết.
- Trích xuất khung hình từ video ngay khi cần.
- Chạy mã Python để đo lường, so sánh hoặc tính toán trên các phần đã chọn.
Theo các đánh giá nội bộ, Glimpse đạt điểm cao hơn GPT‑6 Astra trong nhiệm vụ lý luận biểu đồ khoa học và chú thích video ngắn, đồng thời cho kết quả cạnh tranh trên các bài kiểm tra lý luận hình ảnh khác. Giá sử dụng là 0,60 USD cho mỗi triệu token đầu vào và 3 USD cho mỗi triệu token đầu ra – rẻ hơn các mô hình tầm trung như Sonnet nhưng đắt hơn các mô hình nhẹ như Haiku.
Elorian nhắm tới các khách hàng có lượng video lớn: công ty robot, phòng thí nghiệm khoa học, và các hãng truyền thông. Trong dài hạn, họ muốn mở rộng Glimpse từ “nhìn” sang “hành động”, tức là xây dựng mô hình có thể đưa ra quyết định và điều khiển robot dựa trên hiểu biết về cảnh quan.
Với mức giá hợp lý và khả năng suy luận trực quan, Glimpse có tiềm năng trở thành công cụ hỗ trợ mạnh mẽ cho các doanh nghiệp và nhà nghiên cứu Việt Nam, đặc biệt trong lĩnh vực tự động hoá video và phân tích dữ liệu hình ảnh.
Nguồn: TechCrunch — Biên dịch & tổng hợp: danhbaai.com