Glimpse: el modelo de IA que vuelve a mirar la imagen antes de contestarte

¿Por qué una inteligencia artificial, si le mostrás una foto, no puede volver a mirarla mientras piensa la respuesta? Esa es, a grandes rasgos, la pregunta de la que partió Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, cuando se puso a armar Glimpse, un modelo de visión artificial que opera de un modo muy distinto al de los sistemas que copan el mercado.

Para entender la diferencia sirve una comparación de cocina. La mayoría de los modelos multimodales actuales funcionan como un cocinero que recibe una bandeja con la comida ya picada: alguien antes transformó la imagen en unidades de texto y él razona solo con esa descripción, sin volver a la fuente original. Glimpse, en cambio, se comporta como un cocinero que tiene la verdura entera sobre la mesa: puede volver a mirar, recortar un trozo, revisar un fotograma puntual de un video o incluso ejecutar un pequeño programa para medir cantidades y comparar. La propia empresa bautiza a ese mecanismo como “espacio de trabajo visual”.

Qué hace y en qué se diferencia

Según el material difundido por Elorian, durante el proceso de respuesta Glimpse puede recortar zonas específicas de una imagen, revisar fotogramas puntuales de un video a mayor velocidad o correr código para comparar y medir lo que observa. Los modelos dominantes, en cambio, traducen la imagen a una representación textual y razonan exclusivamente con eso, sin volver a consultar la fuente visual.

“Los modelos de lenguaje alcanzaron un nivel razonable en matemáticas, programación y física, pero la comprensión visual quedó rezagada frente a esas otras capacidades. Glimpse apunta a cerrar esa brecha.”Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind

Resultados y costos

En pruebas realizadas por la propia empresa, el modelo supera a GPT-6 Astra en el análisis de gráficos científicos, el conteo de objetos y la descripción de videos cortos, y empata en tareas de razonamiento aplicado a robótica. Elorian afirma, además, que su precio representa un costo un 94% menor al de GPT-6 Astra y un 85% menor al de Claude Opus 5.5.

• Precio de uso: 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida.
• Equipo reducido y unos pocos cientos de chips especializados para entrenar el modelo.
• Base de código abierto, muy por debajo de los presupuestos de cómputo de los grandes laboratorios.
• Disponible desde el 16 de octubre a través de una API y un chat con lista de espera, en una “vista previa de investigación”.

Los primeros clientes objetivo que la compañía identificó son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, sectores que gestionan grandes volúmenes de imágenes y video. Dai señaló que el objetivo para el próximo año es construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría, de modo que en la próxima campaña se podrá saber si esa apuesta se concreta o si los grandes laboratorios del sector logran recortar la ventaja que, hoy, un equipo chico dice haber tomado.