এলোরিয়ান লঞ্চ করল গ্লিম্পস, ছবি বিশ্লেষণ করে যুক্তি দেওয়া একটি এআই মডেল

প্যালো অল্টোভাভিত্তিক এআই স্টার্টআপ এলোরিয়ান শুক্রবার, ১৬ অক্টোবর, ২০২৬ তারিখে তাদের প্রথম মডেল গ্লিম্পস প্রকাশ করেছে। মডেলটি এপিআইয়ের মাধ্যমে গবেষণামূলক প্রিভিউ হিসেবে পাওয়া যাচ্ছে, তবে এর চ্যাট ইন্টারফেস শুধু অপেক্ষা তালিকার ব্যবহারকারীদের জন্য খোলা রয়েছে।

কোম্পানির দাবি, বর্তমান এআই মডেলগুলো টেক্সট ও কোডে যতই দক্ষ হোক না কেন, প্রকৃত অর্থে ছবি দেখতে এখনও সমস্যায় পড়ে। বেশিরভাগ মাল্টিমোডাল সিস্টেম একটি ছবিকে একবারই প্রক্রিয়া করে, সেটিকে টোকেনে রূপান্তর করে, এবং তারপর শুধু টেক্সটের ভিত্তিতে যুক্তি দেয়। গ্লিম্পস একটি সমস্যা সমাধানের সময় বারবার মূল দৃশ্যমান উপাদানে ফিরে যাওয়ার জন্য তৈরি করা হয়েছে।

একটি দৃশ্যমান স্ক্র্যাচ স্পেস

এলোরিয়ান এই প্রক্রিয়াকে "ভিজ্যুয়াল স্ক্র্যাচ স্পেস" বলে অভিহিত করেছে। যুক্তি দেওয়ার সময় গ্লিম্পস কোনো ছবির অংশ কেটে নিয়ে জুম করতে পারে, ভিডিও থেকে নির্দিষ্ট ফ্রেম বের করতে পারে, অথবা কোড চালিয়ে যা দেখছে তা পরিমাপ ও তুলনা করতে পারে। এই ধারণার পূর্বসূরি রয়েছে: ২০২৫ সালে ওপেনএআই তাদের o-সিরিজের মডেলগুলোকে যুক্তির সময় ক্রপ ও জুম করার সক্ষমতা দিয়েছিল। এলোরিয়ানের দাবি, তাদের স্বতন্ত্রতা হলো পুরো মডেলটিকেই এই কৌশলের ওপর ভিত্তি করে তৈরি করা, এবং সেটি সাশ্রয়ীভাবে করা।

প্রধান নির্বাহী অ্যান্ড্রু ডাই, যিনি আগে গুগল ডিপমাইন্ডে গবেষক ছিলেন, প্রকল্পের একটি অংশের সূত্রপাত গত বছরের একটি বোর্ড গেম রাতে বলে জানান। সেদিন একটি শীর্ষস্থানীয় মডেল টেবিলের একটি ছবি দেখেও বলতে পারেনি কে জিতছে। তাঁর মতে, খেলাগুলো নিজস্ব কিছু প্রতীকের ওপর নির্ভর করে, যেগুলো মানুষ সহজেই বোঝে কিন্তু মডেলগুলো ব্যাখ্যা করতে ব্যর্থ হয়। ডাই বলেন, "মানুষ কোনো লেখা ছাড়াই ইকিয়ার নির্দেশিকা দেখে ইকিয়ার আসবাব জোড়া লাগাতে পারে।"

এলোরিয়ানের মতে, একটি ছোট দল কয়েকশ জিপিইউতে গ্লিম্পসকে প্রশিক্ষণ দিয়েছে, এবং মডেলটি যেসব শীর্ষস্থানীয় সিস্টেমের সঙ্গে তুলনা করা হচ্ছে সেগুলোর তুলনায় উল্লেখযোগ্যভাবে ছোট। কোম্পানির নিজস্ব মূল্যায়নে দেখা গেছে, বৈজ্ঞানিক চার্ট বিশ্লেষণ এবং সংক্ষিপ্ত ভিডিও ক্যাপশনিংয়ে এটি GPT-6 Astra-কে ছাড়িয়ে গেছে, এবং অন্যান্য ভিজ্যুয়াল রিজনিং বেঞ্চমার্কেও প্রতিযোগিতামূলক ফল দেখিয়েছে। এই ফলাফল এখনও স্বাধীনভাবে যাচাই করা হয়নি।

মূল্য, বিনিয়োগকারী ও উচ্চাকাঙ্ক্ষা

গ্লিম্পসের মূল্য প্রতি মিলিয়ন ইনপুট টোকেনে ০.৬০ ডলার এবং প্রতি মিলিয়ন আউটপুট টোকেনে ৩ ডলার। এটি Sonnet ও Sol-এর মতো মাঝারি মানের মডেলের তুলনায় কম, তবে Haiku ও Luna-র মতো হালকা মডেলের তুলনায় বেশি। কোনো পণ্য প্রকাশের আগেই ছয় মাস আগে আত্মপ্রকাশের সময় এলোরিয়ান ৩০ কোটি ডলার মূল্যায়নে ৫ কোটি ৫০ লাখ ডলারের সিড রাউন্ড তুলেছিল। রাউন্ডটির সহ-নেতৃত্বে ছিল Striker Venture Partners, Menlo Ventures ও Altimeter Capital, এবং এতে অংশ নিয়েছে Nvidia ও গুগলের প্রধান বিজ্ঞানী Jeff Dean।

প্রাথমিক গ্রাহক হিসেবে বড় ভিডিও আর্কাইভ থাকা প্রতিষ্ঠানগুলোর আশা করা হচ্ছে, যার মধ্যে রয়েছে রোবোটিক্স কোম্পানি, বৈজ্ঞানিক গবেষণাগার, গণমাধ্যম ও সৃজনশীল প্রতিষ্ঠান। ধীরে ধীরে এলোরিয়ান চায় তাদের মডেলগুলো উপলব্ধি থেকে কাজে এগিয়ে যাক, অর্থাৎ কোনো দৃশ্যের একটি প্রতিনিধিত্ব তৈরি করে সেটি ব্যবহার করে কার্যক্রম বেছে নেওয়া, এমনকি রোবট সরাসরি নিয়ন্ত্রণ করা। ডাই জানিয়েছেন, আগামী বছরের লক্ষ্য হলো এমন একটি মডেল তৈরি করা যা প্রতিটি ভিজ্যুয়াল রিজনিং বেঞ্চমার্কে শীর্ষে থাকবে।