Glimpse, la IA que vuelve a mirar la imagen en vez de adivinar de memoria

La mayoría de los modelos multimodales, esos sistemas de inteligencia artificial que combinan texto e imagen, hacen lo siguiente: convierten una foto en una serie de palabras internas y razonan solo con ese resumen. Nunca más vuelven a mirar la foto original. Un proyecto llamado Glimpse propone otra cosa: en plena respuesta, el modelo puede recortar un sector de la imagen, pasar cuadro por cuadro un video o escribir código para medir lo que observa. Lo que llaman espacio de trabajo visual.

Detrás del proyecto está Elorian, una compañía chica fundada por Andrew Dai, un ex investigador de Google DeepMind, el brazo de inteligencia artificial avanzada de Google. El planteo de Dai es directo: los modelos de lenguaje ya resuelven razonablemente bien matemática, programación y física, pero la comprensión visual quedó varios pasos atrás. Glimpse apunta a achicar esa distancia sin la infraestructura enorme de los grandes laboratorios.

Qué hace diferente a Glimpse

• En vez de quedarse con una descripción textual de la imagen, vuelve al archivo original cuando lo necesita.
• Puede recortar zonas puntuales para analizar un detalle, por ejemplo una barra chica dentro de un gráfico.
• Reproduce videos cuadro por cuadro y a distintas velocidades para describir con mayor precisión lo que ocurre.
• Ejecuta código para contar objetos, medir distancias o comparar regiones dentro de la imagen.

Según las pruebas que la propia empresa publicó, Glimpse supera a GPT-6 Astra en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos, y empata en tareas de razonamiento aplicadas a robótica. GPT-6 Astra es el modelo multimodal de referencia de OpenAI, la empresa detrás de ChatGPT. Son resultados a tomar con cautela porque vienen de quien desarrolla el modelo, pero marcan la vara que la propia compañía se pone.

Cuánto cuesta y con qué se entrenó

Elorian los precios por usar el sistema mediante su API, que es la interfaz de programación que permite a otras aplicaciones conectarse al modelo: 0,60 dólares por millón de tokens de entrada, es decir, los fragmentos de texto e imagen que se le envían, y 3 dólares por millón de tokens de salida, lo que el modelo devuelve como respuesta. La empresa asegura que eso es un 94 por ciento más barato que GPT-6 Astra y un 85 por ciento más barato que Claude Opus 5.5, el modelo insignia de Anthropic, otra compañía de inteligencia artificial. El entrenamiento se hizo con un equipo reducido y unos pocos cientos de chips especializados, partiendo de un modelo de código abierto, una base de programación libre que cualquiera puede modificar y reutilizar.

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

Lo que falta

• Resultados independientes: por ahora solo se conocieron las pruebas de la propia empresa, sin auditorías externas.
• Acceso real al público: el chat funciona con lista de espera desde el 16 de octubre y la API está en una vista previa de investigación.
• Definición concreta del modelo de razonamiento visual que Elorian promete para el próximo año, todavía sin fecha ni pruebas públicas.
• Casos de uso sólidos en robótica, ciencia, medios y videojuegos, los cuatro clientes objetivo que la compañía mencionó.

El modelo está disponible desde el 16 de octubre vía API y un chat con lista de espera, en lo que Elorian define como una vista previa de investigación. La compañía ya identificó a sus primeros clientes objetivo: estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, todos rubros que mueven mucho material visual. La estrategia es clara: posicionarse por precio y por una capacidad técnica específica, la de volver a mirar la imagen, en un mercado dominado por pocos jugadores con presupuestos mucho más grandes.