Glimpse: la inteligencia artificial que vuelve a mirar la imagen antes de responderte

¿Por qué una inteligencia artificial que describe imágenes sigue dando respuestas equivocadas con un gráfico, un video o una foto con muchos detalles? La respuesta corta: porque la mayoría de los modelos multimodales miran una sola vez, traducen la imagen a tokens de texto y después razonan únicamente con esa traducción, sin volver a chequear la imagen original. Como si un médico te diagnosticara mirando una radiografía durante dos segundos y nunca pudiera volver a colgarla en el negatoscopio.

Glimpse, el modelo de la startup Elorian, propone algo distinto: mantener un espacio de trabajo visual abierto durante toda la respuesta. En criollo, eso significa que mientras está pensando puede volver a la imagen, recortarle un sector, pasar fotogramas de un video a mayor velocidad para no perderse un detalle, e incluso correr código para medir distancias, contar elementos o comparar zonas. Es el mismo truco que usamos nosotros cuando no entendemos un cuadro: nos acercamos, señalamos con el dedo, pasamos la página anterior y la siguiente hasta dar con la pista.

Quién está detrás y por qué importa

El fundador es Andrew Dai, un ex investigador de Google DeepMind que conoce de cerca cómo se entrenan los modelos grandes. Su diagnóstico es claro: los sistemas de lenguaje dieron un salto enorme en matemáticas, programación y física, pero la comprensión visual quedó varios escalones más abajo. Glimpse apunta exactamente a cubrir ese hueco. Y lo hace con un equipo chico y unos pocos cientos de chips especializados, entrenado a partir de una base de código abierto, muy lejos de los presupuestos siderales que manejan los laboratorios más poderosos del sector.

“Los modelos de lenguaje ya son razonables en matemáticas, programación y física, pero la comprensión visual quedó rezagada frente a esas otras capacidades.”Andrew Dai, fundador de Elorian

Qué dice la letra chica de los resultados

• En análisis de gráficos científicos, conteo de objetos y descripción de videos cortos, Glimpse supera al modelo GPT-6 Astra según pruebas internas de la propia empresa.
• En tareas de razonamiento aplicado a robótica, empata con ese mismo sistema de referencia.
• El precio publicado es de 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida.
• Según Elorian, eso implica un costo un 94 por ciento menor al de GPT-6 Astra y un 85 por ciento menor al de Claude Opus 5.5.

Desde el 16 de octubre se puede probar el modelo a través de una API y un chat con lista de espera, en lo que la compañía presenta como una vista previa de investigación. Los primeros clientes que Elorian tiene en la mira son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos: todos rubros que viven ahogados en terabytes de imágenes y video y necesitan extraerles información útil sin pagar fortunas por cada consulta.

Para el usuario común todavía no hay una app para bajar ni un sitio abierto al público en general, pero la promesa es concreta: si el enfoque funciona y se mantiene barato, vamos a poder pedirle a una IA que cuente cuántas personas hay en una filmación larga, que explique un gráfico de un paper sin inventarse los números, o que compare dos fotogramas de un partido para marcar diferencias. La diferencia, como siempre, la va a hacer que la máquina pueda volver a mirar la imagen en vez de confiar en una sola pasada.