Glimpse, la IA que se da el lujo de mirar dos veces antes de contestar

A todos nos pasó: le mandamos una foto a un asistente de inteligencia artificial, le preguntamos cuántos objetos hay en la mesa y nos responde cualquier cosa. Como cuando le pedís a alguien que te alcance la sal y te trae el azúcar: la intención está, pero el ojo no acompañó. Glimpse, el modelo que acaba de presentar la startup Elorian, promete algo simple y casi revolucionario en este rubro: mirar la imagen más de una vez antes de abrir la boca.

La diferencia central está en el método. La mayoría de los modelos multimodales — esos sistemas que combinan texto e imagen, conocidos también como LMM, o modelos de lenguaje multimodales — toman la foto, la traducen a unidades de texto llamadas tokens y a partir de ahí razonan solo con esa representación, como si leyeran una descripción y nunca más volvieran a la foto original. Glimpse, en cambio, puede volver sobre el material cuando lo necesita: recortar una zona, revisar un fotograma puntual de un video o incluso ejecutar código para medir distancias y comparar píxeles.

Un espacio de trabajo visual

Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, lo bautizó como “espacio de trabajo visual”. Es, en criollo, la posibilidad de que el modelo abra la imagen, la dé vuelta, la agrande, la mida y la consulte tantas veces como le haga falta antes de mandar la respuesta. Según Dai, los modelos de lenguaje ya resuelven matemáticas, programación y física con un nivel razonable, pero la comprensión visual quedó varios escalones atrás. Glimpse apunta a esa escalera, con la idea de acortar la brecha.

“Los modelos de lenguaje llegaron a un nivel razonable en matemáticas, programación y física, pero la comprensión visual quedó rezagada. Glimpse apunta a cerrar esa brecha.”Andrew Dai, fundador de Elorian

Los números que ellos mismos difunden

• Supera a a GPT-6 Astra en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos.
• Empata en tareas de razonamiento aplicado a robótica.
• Costo de uso: 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida — para que se entienda: un token de entrada es cada trozito de información, palabra o fragmento de imagen que el modelo recibe para procesar.
• Precio un 94% menor al de GPT-6 Astra y un 85% menor al de Claude Opus 5.5, siempre según la compañía.
• Entrenamiento con un equipo chico y unos pocos cientos de chips especializados, partiendo de una base de código abierto.

Quiénes lo van a probar primero

El modelo se puede usar desde el 16 de octubre a través de una API — es decir, una interfaz de programación que permite conectarlo a otras aplicaciones — y un chat con lista de espera. Elorian lo presenta como una vista previa de investigación y apunta a cuatro perfiles de cliente: estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos. Todos manejan montañas de imágenes y video y necesitan que la IA no se equivoque al primer vistazo.

Hay que tomar los resultados con pinzas, claro: son pruebas de la propia empresa. Pero el dato de fondo es real: un equipo chico, con presupuestos de cómputo que son una fracción de los de OpenAI, Anthropic o Google, construyó un modelo que, al menos en sus propios papeles, compite de igual a igual con sistemas que costaron cientos de millones. Es como armar un auto para correr carreras con el presupuesto de un remise: no debería funcionar, y sin embargo está en la pista.

El consejo del editor

Si trabajás con imágenes o video en tu empresa, probá Glimpse apenas salga de la lista de espera y comparalo con lo que ya usás. Y si sos de los que le manda una foto a la IA y se enoja porque cuenta mal los objetos: paciencia, que parece que esa época está cerca de terminar. Igual, no tire su martillo todavía: la IA sigue siendo, ante todo, una con buena letra pero ojo poco entrenado.