据 TechCrunch 独家消息，位于帕洛阿尔托的人工智能初创公司 Elorian 在正式推出产品前完成了一轮 5500 万美元的种子轮融资，公司估值达到 3 亿美元。
目前，Elorian 仅开放了等待名单中的聊天界面，其核心成果体现为一份技术论文。该论文指出，尽管当前主流人工智能模型在语言处理和代码生成方面表现卓越，但在视觉理解上仍存在显著短板。
大多数多模态模型采用“一次性编码”策略，即读取图像后将其转换为 Token，随后便不再回看原始像素数据。Elorian 提出了一种名为“视觉草图空间”（Visual Scratchpad）的新方法，允许模型从视频中提取特定帧、运行代码以测量或比较所见内容，从而实现对图像的动态推理。
Elorian 首席执行官、前 Google DeepMind 研究员 Andrew Dai 认为，AI 无法真正“看懂”图像的一个典型场景出现在日常娱乐中。去年，他与朋友拍摄了一场刚结束的棋盘游戏照片，询问前沿模型谁处于优势地位，但模型表示无法判断。Dai 解释道，每种棋盘游戏都有独特的视觉语言和符号系统，人类成年人能轻易通过少量文字辅助理解局势，但现有模型缺乏对符号含义的直觉性理解能力。
“人们可以看着宜家说明书上的无文字图表组装家具，为什么 AI 模型做不到？”Dai 反问道。
这种基于迭代观察的方法并非全新概念，OpenAI 曾在 2025 年为其 O 系列推理模型增加了缩放和放大功能。然而，Elorian 的观点在于围绕这一机制构建了整个低成本模型架构。该公司透露，一个小团队仅在数百个 GPU 上完成了名为 Glimpse 的模型训练。
在定价方面，Glimpse 每百万输入 Token 收费 0.60 美元，每百万输出 Token 收费 3 美元。这一价格低于 Sonnet 和 Sol 等中端模型，但高于 Haiku 和 Luna 等轻量级模型。
根据 Elorian 的内部评估，Glimpse 在科学图表推理和短视频描述任务中的表现甚至超过了 GPT-6 Astra，并在其他视觉推理任务中取得了具有竞争力的结果。
六个月前，Elorian 结束隐身状态，宣布由 Striker Venture Partners、Menlo Ventures 和 Altimeter Capital 共同领投融资，Nvidia 及 Google 首席科学家 Jeff Dean 也参与了投资。
公司的初期目标客户包括处理大量视频数据的机器人公司、科学实验室以及媒体创意机构。从长远来看，Elorian 希望实现从“观察”到“行动”的转变，即构建能够选择动作并直接控制机器人的世界模型。Dai 表示，明年该公司的目标是打造“世界上最好的视觉推理模型”。
