Glimpse, la IA que no se conforma con mirar una sola vez: vuelve a la imagen, recorta y mide antes de responder

A mí me pasa todo el tiempo con el GPS del auto: le pido una dirección, me tira una indicación y, a los dos metros, ya me doy cuenta de que miró el mapa una sola vez y se olvidó. La inteligencia artificial actual tiene un problema parecido con las imágenes. Las mira, las traduce a palabras y después razona solo con ese texto. Si algo no le cierra, no vuelve a chequear. Glimpse, el modelo de la startup Elorian, dice basta: vuelve al archivo visual, recorta, mide y compara antes de contestarte.

El modelo fue presentado el 16 de octubre en una versión preliminar, accesible por API y con lista de espera para un chat web. Lo dirige Andrew Dai, ex investigador de Google DeepMind, que arrancó con un equipo chico, unos pocos cientos de chips especializados y una base de código abierto. Llama al mecanismo central "espacio de trabajo visual": la IA puede detener la respuesta, regresar a la imagen original, cortar una zona puntual, revisar fotogramas de un video a mayor velocidad o correr código para sacar cuentas sobre lo que ve.

Qué lo diferencia de los modelos grandes

La mayoría de los sistemas multimodales del mercado transforman una imagen en unidades de texto, como si tradujeran una foto a un punteo de palabras, y después razonan únicamente con ese resumen. Si la traducción falla, el razonamiento falla con ella. Glimpse, en cambio, puede volver sobre la fuente visual cuantas veces necesite, igual que uno vuelve a mirar el cupón del súper para ver si el descuento estaba bien cargado. Esa arquitectura apunta a una debilidad concreta: la comprensión visual viene atrasada respecto de lo que estos modelos ya hacen bien en matemática, código o física, según dijo el propio Dai.

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

Los números que presenta la empresa

• Supera a GPT-6 Astra en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos, según pruebas propias de Elorian.
• Empata con ese mismo rival en tareas de razonamiento aplicado a robótica.
• Cobra 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida.
• La compañía afirma que eso es un 94% más barato que GPT-6 Astra y un 85% más barato que Claude Opus 5.5.
• Entrenó el modelo con un equipo reducido y unos pocos cientos de chips, partiendo de código abierto, muy lejos de los presupuestos de los grandes laboratorios.

A quién le puede servir

Elorian apunta a cuatro perfiles: estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos. Todos manejan volúmenes grandes de imágenes y video, y todos necesitan que la IA vea bien, no solo que hable bien. Para un laboratorio, que la herramienta pueda ejecutar código sobre un gráfico y volver a mirar la curva es la diferencia entre un informe confiable y uno con la cifra mal copiada. Para un estudio de animación, poder revisar fotograma por fotograma sin re-procesar todo el video ahorra horas de render. Hasta acá, la letra chica: son resultados publicados por la propia empresa y todavía no hubo una auditoría externa que los confirme.

Mi consejo, si te toca decidir si probarlo o no: no te dejes tentar por el precio solo. Pedí una prueba concreta con material tuyo, comparala con lo que ya usás y fijate si realmente vuelve a mirar la imagen cuando le marcás un error. Porque en esto, igual que con el GPS del auto, lo que sirve no es el que habla más bonito, sino el que sabe dar marcha atrás cuando se equivocó.