Görsel Zekâda Ezber Bozan Hamle: Elorian AI'ın Yeni Modeli Glimpse, GPT-6 ve Claude'u Nasıl Sarstı?

Eski Google DeepMind ve Google Brain araştırmacısı Andrew Dai liderliğinde kurulan Silikon Vadisi merkezli yapay zekâ araştırma laboratuvarı Elorian AI, multimodal yapay zekâ paradigmasını temelden sarsacak ilk temel modeli Glimpse’i resmen duyurdu. Jeff Dean, Menlo Ventures, Altimeter Capital ve NVIDIA gibi sektör devlerinin yatırımlarıyla desteklenen Palo Alto merkezli girişim, geleneksel görme-dil modellerinin (VLM) “tek seferlik tokenlaştırma” sınırını yıkarak doğrudan pikseller ve video kareleri üzerinde akıl yürüten yeni nesil bir mimariyi kullanıma açtı.

Resmi lansmanla birlikte paylaşılan kıyaslama (benchmark) sonuçları; Glimpse’in bilimsel grafik çözümleme, açık sözlüklü nesne sayma ve yoğun video anlama testlerinde OpenAI’ın GPT-6 Astra’sı ve Anthropic’in Claude Opus 5.5’i gibi frontier devleri geride bıraktığını veya başa baş bir performans sergilediğini ortaya koyuyor.

---

”Piksellerle Düşünmek”: Glimpse Klasik Görme Modellerinden Neden Ayrışıyor?

Yapay zekâ dünyasında GPT-4o, Claude 3.5 Sonnet veya Gemini 1.5 Pro ile başlayan multimodal devrim, bugüne kadar temelde aynı mekanik döngüye hapsolmuştu: Bir görsel veya video kareleri girdi olarak alınır, görme kodlayıcısı (vision encoder) tarafından tek bir seferde vektörel belirteçlere (token) dönüştürülür ve model tüm akıl yürütme sürecini bu ilk soyut metin/görsel özeti üzerinden metin uzayında yürütür.

Bu geleneksel yaklaşım, modelin akıl yürütme sırasında görsel kanıtlara geri dönmesini imkânsız kılmaktadır. Eğer bir cerrahi operasyon videosundaki küçük bir damar dikişi, bir mikroskobik çip çatlağı veya karmaşık bir fiziksel sahnedeki milimetrik boşluk ilk tokenlaştırma aşamasında kaybolduysa; en güçlü frontier modeller dahi yanılsama (halüsinasyon) üreterek tahmin yapmaya zorlanıyordu.

Elorian AI, Glimpse ile bu zinciri kırarak “Görsel Düşünce Zinciri” (Visual Chain-of-Thought) kavramını pratik bir modele dönüştürdü. Glimpse, akıl yürütme sürecinin tam ortasında görsel kaynağa geri dönebiliyor; görselin belirli bölgelerini dinamik olarak kırpıp büyütebiliyor, video kareleri arasından kritik anları çekip çıkarabiliyor ve pikseller üzerinde doğrudan kod çalıştırarak ölçümler yapabiliyor.

---

”Görsel Karalama Alanı” (Visual Scratch Space) Nasıl Çalışıyor?

Glimpse mimarisinin kalbinde, modelin akıl yürütme adımlarını görsel olarak test ettiği Görsel Karalama Alanı (Visual Scratch Space) yer alıyor. Bir insanın karmaşık bir geometri problemini çözerken kâğıt üzerine taslaklar çizmesi veya karmaşık bir haritada parmağıyla rota izlemesi gibi çalışan bu mekanizma şu temel yetenekleri barındırıyor:

• Dinamik Kırpma ve Yeniden Odaklanma: Model, bir görüntünün bütününe bakarak hipotez kurduktan sonra, doğrulamak istediği şüpheli bölgeyi yüksek çözünürlükte izole edip pikselleri mikro düzeyde yeniden analiz edebiliyor.
• Zamansal Kare İzolasyonu: Dakikalarca süren videolarda, olayın gerçekleştiği milisaniyeleri izole ederek ardışık kareler arasındaki hareket vektörlerini ve perspektif değişimlerini kıyaslayabiliyor.
• Görsel Araç Entegrasyonu: Model yalnızca piksellere bakmakla kalmıyor; arka planda Python scriptleri ve optik filtreleme araçları çalıştırarak kenar algılama, renk spektrumu ve piksel yoğunluğu ölçümlerini akıl yürütme sürecine dâhil ediyor.
• Çoklu Ajan Orkestrasyonu: Glimpse, uçtan uca bir ajan olarak eğitildiğinden; farklı görsel hipotezleri sınayan alt ajanlar (subagents) üreterek bunların ara görsel çıktıları birbirine aktarmasını sağlıyor.

---

Resmi Benchmarklar: CharXiv-R, FSC-147 ve UGC-VideoCap Tablosu

Elorian AI tarafından yayımlanan teknik inceleme raporu, Glimpse’in uzmanlaşmış görsel akıl yürütme ve fiziksel dünya kavrayışında ulaştığı çarpıcı skorları gözler önüne seriyor:

Kıyaslama Testi (Benchmark)	Alan / Yetenek	Elorian Glimpse	Claude Opus 5.5	GPT-6.1 Sol	GPT-6 Astra	Gemini 3.8 Flash
CharXiv-R	Bilimsel & Finansal Grafik Akıl Yürütme	92.90	93.40	92.60	92.10	91.80
FSC-147	Açık Sözlüklü Yoğun Nesne Sayma	83.36	73.78	82.69	82.02	67.06
UGC-VideoCap	Kısa Video Altyazılama & Olay Takibi	82.66	76.35	80.41	80.32	78.33
ERQA	Mekânsal Çevre Akıl Yürütme (Accuracy)	83.75	82.45	82.20	83.75	81.20
WGO Bench	Robotik Manipülasyon & Alt Görev Sınırları	42.70	~33.99	~38.91	39.42	~12.34

Rakamlar dikkatle incelendiğinde, Glimpse’in özellikle açık sözlüklü sayma testi FSC-147’de (83.36) ve video anlama testi UGC-VideoCap’te (82.66) OpenAI ve Anthropic’in en pahalı amiral modellerine dahi üstünlük sağladığı görülüyor. Robotik olay parçalama testi WGO Bench’te elde edilen 42.70 skoru ise sistemin manipülasyon videolarındaki adım sınırlarını belirlemede GPT-6 Astra’nın (39.42) belirgin şekilde önünde olduğunu kanıtlıyor.

---

”İnsanlığın Altıncı Hissi” (HSS) ve Yapay Zekânın Sınırları

Lansmanın en dikkat çekici taraflarından biri de Elorian AI’ın Scale AI ortaklığıyla geliştirdiği “Humanity’s Sixth Sense” (HSS) kıyaslama testi oldu. İnsanların gündelik hayatta bir bakışta kavradığı sezgisel fizik kurallarını, zamansal nedenselliği (bir sonraki saniyede ne devrilecek?) ve mekânsal sığma mantığını ölçen bu test, yapay zekânın hâlen ne kadar kırılgan olduğunu dürüstçe sergiliyor:

• İnsan Başarısı: %93,1
• GPT-6 Astra (Maksimum Akıl Yürütme): %53,6
• Elorian Glimpse: %46,36

Elorian yetkilileri, genel dünya bilgisi ve devasa parametre boyutunun getirdiği avantajla GPT-6 Astra’nın HSS testinde önde olduğunu kabul ederken; mevcut tüm yapay zekâ modellerinin insanın %93’lük doğal kavrayışının fersah fersah gerisinde kaldığına dikkat çekiyor. Glimpse’in geliştirilme gayesi tam da bu sezgisel fizik boşluğunu pikseller üzerinden kapatmak.

---

Ajan Mimarisi ve Fiyatlandırma: Frontier Devlere Karşı Maliyet Üstünlüğü

Elorian AI, Glimpse’i yalnızca araştırma makalesiyle değil, geliştiricilerin hemen entegre edebileceği canlı bir API önizlemesiyle kullanıma açtı. Modelin sunduğu fiyatlandırma yapısı, trilyon parametreli genel modeller karşısında yıkıcı bir rekabet vadediyor:

1. Maliyet Avantajı: Glimpse API, 1 milyon girdi tokenı için 0,60 dolar, 1 milyon çıktı tokenı için ise 3,00 dolar olarak ücretlendirildi. Bu rakam, benzer görme yeteneklerini çalıştıran devasa frontier modellere kıyasla 5 ila 8 kat daha ekonomik bir çıkarım maliyetine işaret ediyor.
2. Endüstriyel Uygulama Alanları: Modelin öncelikli hedef sektörleri arasında; otonom robotik (VLA - Vision-Language-Action planlayıcıları), yarı iletken fabrikalarında mikro kusur tespiti, biyoteknolojik görüntüleme ve yüksek hassasiyetli video kurgu otomasyonu yer alıyor.
3. İnteraktif Görsel Denetim: Glimpse’in sohbet arayüzü, kullanıcılara modelin görsel karalama alanında nereye yaklaştığını, hangi pikselleri kırptığını ve hangi kareleri eşzamanlı izlediğini canlı olarak gösteren şeffaf bir izleme paneli sunuyor.

---

Sonuç: Görsel Zekânın “Sistem 2” Çağı Başlıyor

Elorian AI ve Andrew Dai’nin ortaya koyduğu vizyon, yapay zekânın sadece dili değil, fiziksel evreni anlama biçiminde yeni bir devrin habercisi niteliğinde. Bugüne kadar görselleri yalnızca “hızlıca özetlenip metne dökülecek birer yabancı nesne” olarak gören Sistem 1 tarzı görme modelleri, yerini pikseller üzerinde adım adım düşünen, şüphe duyan, yaklaşan ve ölçen Sistem 2 görsel akıl yürütme mimarilerine bırakıyor. Glimpse’in ilk adımları, robotik ve fiziksel AGI yolculuğunda dengeleri kökünden değiştirecek güçte görünüyor.