Elorian lança Glimpse, modelo de IA feito para realmente enxergar

A Elorian, startup de inteligência artificial (IA) de Palo Alto que captou uma rodada seed de US$ 55 milhões com avaliação de US$ 300 milhões antes mesmo de lançar um produto, apresentou seu primeiro modelo, o Glimpse, nesta sexta-feira, soube o TechCrunch com exclusividade. O modelo chega como uma pré-visualização de pesquisa com acesso via API; a interface de chat está disponível só por lista de espera, então por enquanto a empresa tem pouco mais a mostrar do que uma tabela de resultados e uma tese: a de que os modelos de IA atuais, apesar de toda a habilidade com linguagem e código, ainda não conseguem realmente enxergar.

A maioria dos modelos multimodais olha para uma imagem uma única vez, a converte em tokens e depois raciocina sobre ela em texto — algo como descrever uma foto de memória. Já o Glimpse volta repetidamente à fonte: em meio ao raciocínio, ele pode recortar uma região, extrair quadros específicos de um vídeo ou rodar código para medir ou comparar o que está observando, um mecanismo que a Elorian chama de “espaço de rascunho visual”, algo parecido com dar zoom com os dedos em uma foto no celular para checar um detalhe. A abordagem não é totalmente nova — a OpenAI adicionou recorte e zoom durante o raciocínio aos seus modelos da série o em 2025 —, mas a Elorian diz ter construído todo o seu modelo em torno dessa ideia: uma equipe pequena treinou o Glimpse com algumas centenas de GPUs, e o resultado é um sistema substancialmente menor que os modelos de ponta aos quais é comparado.

Para o CEO da Elorian, Andrew Dai, ex-pesquisador do Google DeepMind, a lacuna ficou clara no ano passado, quando ele fotografou um jogo de tabuleiro que havia acabado de terminar com amigos e perguntou a um modelo de ponta quem estava vencendo — o modelo não soube responder, porque, segundo contou ao TechCrunch, cada jogo de tabuleiro tem sua própria linguagem visual e iconografia, algo que um adulto consegue entender com pouquíssimo texto, mas que os modelos não conseguem intuir. “Os humanos conseguem olhar para diagramas da Ikea, sem texto, e montar móveis da Ikea, não é? Por que os modelos de IA não conseguem?”, disse ele.

O Glimpse custa US$ 0,60 por milhão de tokens de entrada e US$ 3 por milhão de tokens de saída — mais caro que modelos leves como Haiku e Luna, mas mais barato que modelos de nível intermediário como Sonnet e Sol. Segundo as próprias avaliações da Elorian, o Glimpse supera até o GPT-6 Astra em raciocínio sobre gráficos científicos e em legendagem de vídeos curtos, com resultados competitivos em outras tarefas de raciocínio visual. A empresa saiu do modo sigiloso há seis meses com uma rodada liderada em conjunto por Striker Venture Partners, Menlo Ventures e Altimeter Capital, com participação da Nvidia e de Jeff Dean, cientista-chefe do Google. Seus clientes iniciais são empresas que lidam com grandes volumes de vídeo — empresas de robótica, laboratórios científicos, veículos de mídia e empresas criativas —, e Dai disse que a ambição de longo prazo da Elorian é passar de enxergar para agir, construindo um modelo da cena capaz de escolher uma ação, incluindo o controle direto de robôs. No próximo ano, segundo ele, a empresa pretende construir o melhor modelo de raciocínio visual disponível, à frente em todos os testes da categoria.

Por que importa

O Glimpse é uma aposta de que o raciocínio visual — não a fluência de linguagem — é o próximo limite do que os modelos de IA conseguem fazer de fato, especialmente para os setores intensivos em vídeo, como robótica e pesquisa científica, que a empresa mira primeiro. Se um modelo menor e mais barato conseguir superar sistemas de ponta em tarefas visuais por ter essa capacidade incorporada desde o início, isso é um sinal de que modelos especializados e mais restritos podem começar a corroer a vantagem dos grandes laboratórios em domínios específicos.