Elorian’ın İlk Yapay Zeka Modeli Görseller Hakkında Değil, Görsellerle Akıl Yürütmek İstiyor

Palo Alto merkezli yapay zeka girişimi Elorian, henüz bir ürün çıkarmadan 300 milyon dolar değerleme ile 55 milyon dolarlık tohum yatırım aldıktan sonra ilk modeli Glimpse'i araştırma önizlemesi olarak yayınladı. API erişimi ve sohbet arayüzüyle sunulan model, günümüz yapay zeka modellerinin dil ve kod konusundaki becerilerine rağmen hala "gerçekten göremediği" tezine dayanıyor.

Görsel Karalama Alanı (Visual Scratch Space) ve Çalışma Mekanizması#

Çoğu çok modlu (multimodal) model bir görsele bir kez bakar, onu token'lara dönüştürür ve ardından metin üzerinden akıl yürütür; tıpkı bir fotoğrafı hafızadan tarif etmek gibi. Glimpse ise sürekli kaynağa geri dönüyor. Akıl yürütme sırasında modelin yapabildikleri şunlardır:

• Bir görselin belirli bir bölgesini kırparak yakınlaştırma yapabilir.
• Bir videodan belirli kareleri çekip çıkarabilir.
• Baktığı şeyi ölçmek veya karşılaştırmak için kod çalıştırabilir.

Elorian bu mekanizmayı "görsel karalama alanı" (visual scratch space) olarak adlandırıyor. Bunu, bir telefon fotoğrafında gördüğü şeyden emin olmak için iki parmağıyla yakınlaştırma yapan bir insanın davranışına benzetebilirsiniz. Eski Google DeepMind araştırmacısı ve Elorian CEO'su Andrew Dai, kutu oyunlarındaki sembolleri veya metinsiz Ikea montaj şemalarını insanların kolayca anlayabildiğini, ancak mevcut öncü modellerin bu görsel dili sezemediğini vurguluyor.

Performans, Maliyet ve Mimari Verimlilik#

OpenAI, 2025 yılında o-serisi modellerine akıl yürütme sırasında kırpma ve yakınlaştırma özelliği eklemiş olsa da Elorian tüm modeli bu yaklaşım etrafında düşük maliyetle inşa ettiğini belirtiyor. Küçük bir ekibin birkaç yüz GPU üzerinde eğittiği Glimpse, kıyaslandığı öncü sistemlerden önemli ölçüde daha küçük bir yapıya sahip:

• Fiyatlandırma: Milyon girdi token'ı başına 0,60 dolar ve milyon çıktı token'ı başına 3 dolar maliyetiyle Sonnet ve Sol gibi orta seviye modellerden daha ucuz, Haiku ve Luna gibi hafif modellerden ise daha pahalıdır.
• Kıyaslama (Benchmark) Sonuçları: Elorian'ın değerlendirmelerine göre Glimpse, bilimsel grafik akıl yürütme ve kısa biçimli video altyazılama görevlerinde GPT-6 Astra'yı bile geride bırakırken diğer görsel akıl yürütme görevlerinde rekabetçi sonuçlar sunuyor.

Hedef Kitle ve Geliştiriciler İçin Pratik Çıkarımlar#

Striker Venture Partners, Menlo Ventures, Altimeter Capital liderliğinde ve Nvidia ile Jeff Dean'in katılımıyla gizlilikten çıkan Elorian; ilk aşamada robotik firmaları, bilimsel laboratuvarlar, medya ve kreatif şirketler gibi büyük video verisine sahip kurumları hedefliyor. Uzun vadede ise "görmekten yapmaya" geçerek robotları doğrudan kontrol etmeyi planlıyor.

Yazılım geliştiriciler ve yapay zeka mühendisleri için bu gelişmeden çıkarılabilecek pratik dersler şunlardır:

• Çok Adımlı Görsel Ajanlar (Multi-Step Visual Agents): Görsel işleme boru hatlarında (pipeline) tek seferlik çıkarım yerine, modelin görüntüyü kırpıp kod çalıştırarak doğrulama yaptığı iteratif ajan mimarileri (Tool Calling) çok daha yüksek doğruluk sağlar.
• Model Seçimi ve Maliyet Optimizasyonu: Karmaşık bilimsel grafikler veya video analizi içeren projelerde devasa genel amaçlı modeller yerine, göreve özelleşmiş daha küçük ve odaklı API'leri tercih etmek hem gecikmeyi hem de token maliyetlerini düşürür.

---

Bu konuyu derinlemesine öğrenmek isterseniz: Modeller: Hangisi, Ne Zaman? modülüne göz atın.