Elorian از مدل هوش مصنوعی Glimpse رونمایی کرد

شرکت هوش مصنوعی Elorian از نخستین مدل خود با نام Glimpse رونمایی کرد.

مدلی که با هدف بهبود توانایی هوش مصنوعی در درک تصاویر، ویدئوها و روابط فیزیکی میان اشیا توسعه یافته است. ایده اصلی این مدل ساده اما مهم است: به‌جای اینکه هوش مصنوعی تنها یک‌بار تصویر را بررسی کند و بر اساس همان برداشت پاسخ بدهد، بتواند هنگام استدلال دوباره به تصویر برگردد و جزئیات مهم را دقیق‌تر ببیند.

بسیاری از مدل‌های چندوجهی ابتدا اطلاعات بصری را به نمایش‌های داخلی تبدیل می‌کنند و سپس بخش زیادی از فرایند استدلال را با تکیه بر این اطلاعات انجام می‌دهند. این روش در بسیاری از کارها نتیجه خوبی دارد، اما ممکن است هنگام شمارش اشیا، دنبال کردن حرکت آن‌ها یا تشخیص روابط پیچیده در یک صحنه با مشکل مواجه شود.

Glimpse برای رسیدگی به همین محدودیت طراحی شده است. این مدل می‌تواند بخش مشخصی از تصویر را برش دهد، قسمت‌هایی از ویدئو را با جزئیات بیشتری بررسی کند یا با اجرای کد، اندازه‌ها و تفاوت‌های بصری را مقایسه کند. Elorian این محیط کاری را «فضای یادداشت بصری» یا Visual Scratch Space می‌نامد؛ فضایی که مدل در آن شواهد تصویری را دوباره بررسی می‌کند تا به پاسخ دقیق‌تری برسد.

Glimpse در عمل چه کارهایی انجام می‌دهد؟

برای درک بهتر قابلیت‌های این مدل، تصور کنید ویدئویی از حرکت یک قطار در اختیار هوش مصنوعی قرار گرفته است. پاسخ دادن به این سؤال که قطار در حال شتاب گرفتن است یا سرعتش کاهش پیدا می‌کند، فقط به شناسایی قطار نیاز ندارد؛ مدل باید حرکت آن را در طول زمان مقایسه کند.

Glimpse می‌تواند یک نقطه مشخص روی قطار، مانند لبه پنجره، را در چند لحظه دنبال کند و فاصله جابه‌جایی آن را بسنجد. اگر فاصله طی‌شده در بازه‌های زمانی مساوی کمتر شود، این شواهد به مدل کمک می‌کند تشخیص دهد قطار در حال کاهش سرعت است.

در مثال دیگری، مدل می‌تواند هنگام بررسی ویدئویی از دو پرنده، دوباره به لحظه‌ای برگردد که دوربین حرکت می‌کند. با بررسی فریم‌های بیشتر، تلاش می‌کند تشخیص دهد صحنه به‌صورت پیوسته تغییر کرده یا ویدئو به نمای دیگری برش خورده است.

این توانایی فقط به ویدئو محدود نیست. Glimpse می‌تواند در یک تصویر تعداد ابزارهای مشخصی را بشمارد و میان اشیای مشابه تفاوت بگذارد؛ برای مثال، انبردست‌های باز را از انبردست‌های بسته و قیچی‌ها جدا کند.

ادعای رقابت با مدل‌های بزرگ‌تر، با هزینه کمتر

Elorian می‌گوید Glimpse در بعضی آزمون‌های ارزیابی بصری از GPT-۶ Astra بهتر عمل کرده و در برخی دیگر به عملکرد آن رسیده است. طبق نتایج منتشرشده توسط شرکت، این مدل در چهار ارزیابی مربوط به تحلیل نمودارهای علمی، شمارش اشیا، توصیف ویدئوهای کوتاه و درک رویدادهای مربوط به حرکت و دست‌کاری اشیا، امتیاز بالاتری از GPT-۶ Astra کسب کرده است. در آزمون استدلال فضایی مرتبط با تعامل با محیط نیز نتیجه دو مدل برابر گزارش شده است.

بااین‌حال، Glimpse در تمام آزمون‌ها برنده نیست. جدول منتشرشده از سوی Elorian نشان می‌دهد مدل‌هایی مانند GPT-۶ Astra و GPT-۶.۱ Sol در برخی ارزیابی‌های دیگر، از جمله بعضی آزمون‌های درک صحنه و استدلال زمانی در ویدئو، عملکرد بهتری دارند.

نکته مهم این است که این نتایج را خود Elorian منتشر کرده و هنوز نباید آن‌ها را معادل ارزیابی مستقل و قطعی از عملکرد مدل در تمام کاربردهای واقعی دانست.

مزیت دیگر Glimpse هزینه استفاده از آن است. قیمت اعلام‌شده برای هر یک میلیون توکن ورودی ۰٫۶۰ دلار و برای هر یک میلیون توکن خروجی ۳ دلار است. این نرخ‌ها به‌مراتب پایین‌تر از قیمت‌های اعلام‌شده برای GPT-۶ Astra و Claude Opus ۵.۵ هستند؛ هرچند هزینه نهایی هر وظیفه به میزان اطلاعات ورودی، طول پاسخ و تعداد دفعاتی که مدل برای بررسی دوباره به ابزارها رجوع می‌کند نیز بستگی دارد.

از تحلیل ویدئو تا کمک به ربات‌ها

Elorian تنها به ساخت مدلی برای پاسخ دادن به سؤال‌های تصویری فکر نمی‌کند. این شرکت می‌خواهد توانایی درک بصری را به سیستم‌هایی منتقل کند که باید بر اساس محیط اطراف تصمیم بگیرند.

یکی از کاربردهای مهم Glimpse می‌تواند در رباتیک باشد. ربات برای برداشتن یک شیء یا انجام یک کار چندمرحله‌ای باید موقعیت اشیا، ارتباط میان اجزای محیط و نتیجه احتمالی هر حرکت را درک کند. مدل‌هایی که بتوانند ویدئوهای دوربین ربات را تحلیل کنند، می‌توانند به برنامه‌ریزی مراحل کار و تشخیص زمان تکمیل هر مرحله کمک کنند.

Elorian در نمونه‌های منتشرشده خود، Glimpse را در نقش برنامه‌ریز برای انجام یک وظیفه رباتیک با GPT-۶ Astra مقایسه کرده است. هر دو سیستم توانسته‌اند وظیفه نمایش‌داده‌شده را کامل کنند؛ اما هزینه اجرای برنامه‌ریزی در نمونه Glimpse حدود ۰٫۰۳۵ دلار و در نمونه GPT-۶ Astra حدود ۰٫۲۴۹ دلار گزارش شده است.

این آزمایش نشان می‌دهد استفاده از یک مدل تخصصی‌تر می‌تواند در بعضی وظایف هزینه را کاهش دهد. بااین‌حال، موفقیت در این نمونه به معنای آن نیست که Glimpse در تمام محیط‌های رباتیک عملکرد بهتری دارد یا می‌تواند به‌تنهایی ربات‌ها را کنترل کند. خود شرکت نیز کنترل مستقیم ربات‌ها را بخشی از مسیر توسعه آینده معرفی کرده است.

علاوه بر رباتیک، تحلیل آرشیوهای بزرگ ویدئویی، بررسی داده‌های تصویری در آزمایشگاه‌های علمی و کمک به شرکت‌های رسانه‌ای و خلاق از دیگر کاربردهای احتمالی این فناوری هستند.

چگونه می‌توان از Glimpse استفاده کرد؟

طبق اعلام رسمی Elorian، Glimpse در قالب پیش‌نمایش پژوهشی (Research Preview) عرضه شده و از طریق API قابل استفاده است. شرکت همچنین رابط گفت‌وگویی برای تعامل با مدل ارائه کرده است؛ بااین‌حال، دسترسی به این رابط ممکن است به ثبت‌نام یا دریافت دسترسی بستگی داشته باشد.

برای توسعه‌دهندگان، API می‌تواند راهی برای آزمایش قابلیت‌های مدل در برنامه‌های تحلیل تصویر و ویدئو باشد. اما برای کاربران عادی، میزان دسترسی به رابط گفت‌وگویی و محدودیت‌های استفاده، عوامل مهمی در تجربه عملی این مدل خواهند بود.