Glimpse, la inteligencia artificial que vuelve a mirar la imagen cada vez que necesita responder

La forma en que la mayoría de los modelos de inteligencia artificial entiende una imagen se parece a lo que haría alguien que escucha una descripción verbal de una película y después opina sobre el guion: nunca más vuelve a mirar la pantalla. Eso es, a grandes rasgos, lo que hacen los sistemas multimodales más usados: traducen la imagen a una secuencia de unidades de texto y a partir de ahí razonan solo con esa traducción. Glimpse, un desarrollo reciente de la empresa Elorian, propone algo distinto: volver a la imagen original cada vez que hace falta, como quien revisa una foto o un video antes de contestar una pregunta.

Un "espacio de trabajo" en vez de una traducción

Andrew Dai, fundador de Elorian y ex integrante de Google DeepMind, lo explica con una comparación sencilla: los modelos de lenguaje ya resuelven con soltura problemas de matemática, programación y física, pero la comprensión visual quedó varios pasos atrás. Para acercar esa capacidad al nivel del resto, Glimpse incorpora lo que la compañía llama un "espacio de trabajo visual". En concreto, el modelo puede recortar una zona puntual de la foto, ralentizar un video para revisar un fotograma en particular, o escribir y ejecutar código para contar objetos o medir distancias dentro de la imagen.

Para entenderlo con una analogía doméstica: es la diferencia entre alguien que lee una receta y la cocina de memoria, y alguien que mientras cocina vuelve a mirar el libro, prueba el sabor y ajusta la sal. Glimpse hace las dos: procesa la imagen una primera vez, pero conserva la posibilidad de volver a la fuente visual mientras arma la respuesta.

Qué dice la empresa sobre su desempeño

Según las pruebas publicadas por Elorian, Glimpse supera a GPT-6 Astra, uno de los sistemas de referencia del sector, en tres tareas puntuales: análisis de gráficos científicos, conteo de objetos y descripción de videos cortos. También empata con ese mismo rival en pruebas de razonamiento aplicadas a robótica, un área donde la interpretación correcta de una imagen es clave.

• Tarifa de uso: 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida.
• Elorian afirma que el costo es un 94 por ciento menor al de GPT-6 Astra y un 85 por ciento menor al de Claude Opus 5.5.
• El equipo de desarrollo es reducido y entrenó el modelo con unos pocos cientos de chips especializados, partiendo de una base de código abierto.
• El sistema está disponible desde el 16 de octubre a través de una API y un chat con lista de espera, en lo que la empresa describe como una vista previa de investigación.
• Los primeros clientes apuntados son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, sectores que manejan grandes volúmenes de imagen y video.

Cómo funciona, paso a paso

Cuando recibe una imagen o un video, Glimpse no se limita a convertirla en texto y olvidarse del original. Mientras arma la respuesta, puede pedirle al sistema que le acerque una región específica, que congele un fotograma o que corra un pequeño programa para comparar dos zonas. Ese ida y vuelta entre el modelo y la imagen original es lo que la empresa llama el espacio de trabajo visual, y es la pieza central que lo separa de los sistemas que trabajan únicamente con la traducción a tokens de texto. Es, en la práctica, un ciclo de observar, medir y volver a observar antes de decidir qué contestar.

Qué falta para que llegue a la gente

Por ahora, Glimpse está en una etapa de vista previa de investigación y solo se accede por una interfaz de programación o un chat con lista de espera, lo que deja al usuario de a pie afuera. Dai señaló que la meta para el próximo año es construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría, un objetivo ambicioso para un equipo chico que, además, trabaja con una fracción de los chips que mueven los grandes laboratorios. La pregunta abierta es si esa diferencia de recursos se va a poder sostener frente a los gigantes del sector, o si el ahorro de costo y la apertura del código serán suficientes para conseguir una base de usuarios sólida antes de que la competencia cierre la brecha.