إطلاق نموذج الذكاء الاصطناعي Glimpse لتعزيز فهم الروبوتات للعالم بصريًا
أعلنت شركة Elorian الأميركية الناشئة عن إطلاق نموذجها الأول للذكاء الاصطناعي “Glimpse”، الذي يهدف إلى تعزيز قدرة تحليل الصور ومقاطع الفيديو عبر العودة إلى تفاصيلها أثناء المعالجة، مع إمكانية تكبير أجزاء معينة وتتبع حركة العناصر بدلاً من الاكتفاء بالوصف النصي الأولي للمشهد كأساس للإجابة.
يتوفر النموذج حالياً ضمن نسخة بحثية تجريبية يمكن الوصول إليها عبر واجهة دردشة وواجهة برمجة تطبيقات، مما يتيح للمطورين دمجه ضمن خدماتهم المختلفة.
تسعى شركة Elorian إلى استخدام نموذج Glimpse في مجالات الروبوتات، الأبحاث العلمية، الإعلام، والصناعات الإبداعية، خصوصاً لدى المؤسسات التي تمتلك أرشيفاً ضخماً من الفيديوهات وتحتاج إلى أدوات فعالة لتحليل محتواها.
وجاء إطلاق النموذج عقب جولة تمويل تأسيسية جمعت فيها الشركة 55 مليون دولار، بقيمة سوقية بلغت 300 مليون دولار دون طرح أي منتج في السوق، وفق ما ذكر موقع Techcrunch.
نموذج Glimpse للإدراك البصري الذكي
أوضحت Elorian أن نموذج Glimpse قادر على تتبع الأجسام أثناء حركتها وتغير زوايا رؤيتها، بجانب فهم العلاقات المكانية بين العناصر وربط المشاهد بالحوادث المحتملة لاحقاً، مع تحقيق أداء ينافس نماذج أكبر وهي أعلى تكلفة في عدة اختبارات.
تنطلق رؤية الشركة من أن تقدم نماذج الذكاء الاصطناعي في مجالات اللغة والبرمجة لا يوازي بالضرورة تطور فهمها للعالم المرئي.
وأشار تقرير Techcrunch إلى أن العديد من النماذج متعددة الوسائط تعالج الصور بتحويل محتواها إلى وحدات رقمية تُعرف بـ”توكنز”، مستندة إلى استدلال نصي لتحليل المشهد، الأمر الذي يشبه وصف صورة من الذاكرة بدلاً من مواصلة فحصها بصرياً.
أما نموذج Glimpse، فيمكنه الرجوع إلى المادة الأصلية أثناء التحليل، بحيث يقص المناطق المطلوبة، أو يكبرها، ويستخرج إطارات معينة من الفيديو، أو يشغل شفرات برمجية لتحليل العناصر ومقارنتها، وهو ما أطلقت عليه الشركة مصطلح “مساحة عمل بصرية” (Visual Scratch Space)، كموازة لشخص يكبر صورة على هاتفه ليتحقق من تفاصيلها، مما يعزز إدراك المشهد بشكل واضح وكامل.
قدرات كتابة الشفرات ومعالجة الصور
يشمل نموذج Glimpse مراجعة التمثيلات البصرية الداخلية وتنقيحها أثناء عملية الاستدلال، ولا يقتصر على أدوات معالجة الصور فقط.
كما تم تدريب النموذج على كتابة الشفرات، ومعالجة الصور والفيديو، بالإضافة إلى قدرته على إنشاء وكلاء فرعيين وتنسيق تفاعلهم لتبادل النصوص والمحتوى والتمثيلات البصرية بهدف حل مهام مشتركة.
رغم أن العودة إلى الصور أثناء الاستدلال ليست فكرة جديدة تماماً، إذ أتاحت OpenAI في أبريل 2025 لنماذج “o3″ و”o4-mini” استخدام أدوات لتكبير وتقسيم الصور خلال التحليل، إلا أن Elorian تركز على جعل التفكير البصري محور تطوير نموذجها مع تقليل الموارد المطلوبة للتدريب وخفض تكلفة الاستخدام.
أداء تنافسي وتفاوت في الاختبارات
وفق تقييمات Elorian، تغلب Glimpse على نموذج GPT-6 Astra في أربعة اختبارات شملت تحليل الرسوم البيانية العلمية، وعدّ الأجسام بمختلف الفئات، ووصف مقاطع الفيديو القصيرة، وفهم أحداث مناولة الأجسام، فيما تعادلا في اختبار استدلال مكاني متعلق بمهام الروبوتات.
سجل النموذج 92.90 نقطة في اختبار “CharXiv-R” لتحليل الرسوم العلمية مقابل 92.10 لـ GPT-6 Astra، وحقق 82.66 في اختبار “UGC-VideoCap” لوصف الفيديو القصير مقارنةً بـ 80.32 للطراز المنافس.
في اختبار “WGO Bench” لفهم أحداث مناولة الأجسام حصد Glimpse 42.70 نقطة مقابل 39.42 لـ Astra، وتعادلا عند 83.75 في اختبار “ERQA”.
أوضحت الشركة أن فريقاً صغيراً طور Glimpse مستخدماً عدة مئات من وحدات معالجة الرسومات في تدريب لاحق لنموذج أساسي مفتوح الأوزان، وهو بحجم أصغر بكثير من النماذج المتقدمة التي تمت مقارنته بها.
وتبلغ تكلفة استخدام النموذج عبر واجهة برمجة التطبيقات 0.60 دولار لكل مليون توكن من المدخلات و3 دولارات لكل مليون توكن من المخرجات، وهي الوحدات الرقمية التي تُستخدم لمعالجة المحتوى الوارد وتوليد الإجابات.
وأشارت الأسعار المقارنة إلى أن تكلفة المدخلات والمخرجات في Glimpse أقل بنسبة 94% مقارنة بـ GPT-6 Astra، و85% مقارنة بـ Claude Opus 5.5، و70% مقارنة بـ GPT-6.1 Sol، و20% أقل من الأسعار التمهيدية لنموذج Gemini 3.8 Flash.
تطبيقات في الروبوتات وفهم العالم المرئي
تستهدف Elorian في البداية شركات الروبوتات والمختبرات العلمية والمؤسسات الإعلامية والإبداعية، مع تطبيقات تشمل تحليل بيانات التجارب، ووصف الفيديوهات وفهرستها، وتجهيز بيانات لتدريب الروبوتات.
وخلال تجربة توضيحية، استخدم Glimpse في مهمة روبوتية تضمنت وضع جبن كريمي داخل وعاء، ثم رفعه إلى أعلى خزانة، حيث قام النموذج بتقسيم المهمة إلى خطوات، متابعاً الكاميرات لتحديد إتمام كل خطوة وتحديد الخطوة التي تليها.
وقورنت النتائج بنظام رؤية ولغة وفعل “π0.5” من شركة Physical Intelligence ضمن بيئة “LIBERO”، حيث نجح كل من Glimpse وAstra في إتمام المهمة، مع تكلفة تخطيط أقل بلغت 0.035 دولار للأول مقابل 0.249 دولار للثاني.
ويركز هذا الاستخدام على التخطيط ومتابعة التنفيذ عبر نظام روبوتي، بينما لا يزال توليد أوامر فعل مباشرة للروبوتات من ضمن الأعمال المستقبلية المخطط لها.
على المدى الطويل، تطمح الشركة إلى تطوير نماذج قادرة على إعادة بناء المشاهد، توقع تأثير حركة عناصرها، واستخدام هذا الفهم لاختيار الأفعال التالية، مع تطبيقات محتملة في مجالات الهندسة، الدفاع، إنتاج الفيديو، وتطوير الألعاب.
كما تسعى Elorian بحلول عام 2027 إلى بناء نموذج يتصدر جميع اختبارات الاستدلال البصري، متجاوزة بذلك أداء النسخة البحثية الحالية.
