Glimpse, el modelo de visión artificial que relee la imagen antes de responder

En un campo donde la mayoría de los sistemas multimodales traducen una imagen a palabras y razonan exclusivamente a partir de esa transcripción, una compañía con pocos recursos de cómputo propuso otra lógica: mantener la imagen a la vista mientras el modelo piensa. El resultado es Glimpse, un desarrollo de visión artificial presentado por la startup Elorian, que puede volver sobre el material original, recortar zonas específicas, revisar fotogramas puntuales de un video a mayor velocidad o ejecutar código para comparar y medir lo que observa durante el proceso de respuesta.

Andrew Dai, fundador de Elorian e ex investigador de Google DeepMind, describió el problema de partida en términos incómodos para la industria: 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 mediante lo que la compañía denominó un espacio de trabajo visual, una suerte de mesa de examen persistente a la que el sistema puede regresar en cada paso de su razonamiento.

Resultados y precios en el centro de la comparación

De acuerdo con las pruebas realizadas por la propia empresa, Glimpse 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. La comparación se hizo sobre las baterías de evaluación disponibles para esa categoría de modelos y fue divulgada por Elorian sin revisión externa hasta el momento de su anuncio.

• Tarifa de uso: 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida.
• Costo de implementación: hasta un 94% menor al de GPT-6 Astra y un 85% menor al de Claude Opus 5.5, según los cálculos de Elorian.
• Escala de entrenamiento: un equipo reducido y unos pocos cientos de chips especializados, partiendo de una base de código abierto, muy por debajo de los presupuestos que manejan los grandes laboratorios del sector.

El modelo está disponible desde el 16 de octubre a través de una interfaz de programación y un chat con lista de espera, en lo que Elorian define como 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 y necesitan herramientas de medición visual más finas que las que ofrece el software tradicional.

“Nuestro objetivo para el próximo año es construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría.”Andrew Dai, fundador de Elorian

En términos prácticos, lo que cambia para un potencial usuario es el modo de consulta. Un equipo periodístico puede pedirle al sistema que cuente la cantidad de personas presentes en un fotograma, que compare dos gráficos o que ejecute cálculos sobre una tabla, y el modelo puede devolver a la imagen para verificar antes de responder. Dai describió a Glimpse como un primer paso dentro de una línea de trabajo más larga, en la que la siguiente parada es un modelo de razonamiento visual que pueda desplazarse sobre el material con la misma autonomía con la que hoy se desplaza sobre un texto.