Glimpse: el modelo de visión que relee la imagen antes de contestar y cuesta una fracción de sus rivales

El 16 de octubre, la compañía Elorian puso a disposición de un grupo acotado de usuarios un modelo de visión artificial llamado Glimpse, capaz de observar una imagen o un video varias veces antes de elaborar una respuesta. A diferencia de los sistemas multimodales dominantes, que traducen una foto a una secuencia de unidades de texto y razonan exclusivamente sobre esa representación, Glimpse conserva la posibilidad de volver al material original mientras redacta su contestación: puede recortar una zona concreta, avanzar cuadro por cuadro en un video a mayor velocidad y hasta correr código para comparar píxeles o medir distancias.

Un mecanismo que la empresa bautizó como espacio de trabajo visual

Para dimensionar el cambio, sirve un ejemplo de cocina: cuando una receta pide "dos cucharadas soperas de aceite", la mayoría de los modelos actuales lee la indicación una sola vez y entrega la respuesta final basándose en lo que recordaron del texto. Glimpse, en cambio, puede volver a la pantalla del horno, ampliar la esquina superior del display y comparar el brillo de dos píxeles para confirmar si la temperatura ya llegó a 180 grados. Esa ida y vuelta entre la pregunta y la fuente visual es lo que Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, describe como el diferencial del producto.

“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.”Andrew Dai, fundador de Elorian

Resultados anunciados por la propia empresa

• Supera a GPT-6 Astra en el análisis de gráficos científicos.
• Supera a GPT-6 Astra en el conteo de objetos dentro de una imagen.
• Supera a GPT-6 Astra en la descripción de videos cortos.
• Empatá con los modelos de referencia en tareas de razonamiento aplicado a robótica.

En materia de costos, Elorian fijó el precio de Glimpse en 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. Según la compañía, eso equivale a un valor un 94% inferior al de GPT-6 Astra y un 85% menor al de Claude Opus 5.5, dos de los sistemas de referencia del sector. El modelo se entrenó con un equipo reducido y unos pocos cientos de chips especializados, partiendo de una base de código abierto, un orden de magnitud muy por debajo de los presupuestos que manejan los grandes laboratorios de inteligencia artificial.

El lanzamiento se realiza en formato de "vista previa de investigación": una interfaz de chat con lista de espera y un acceso por API para desarrolladores. Los primeros clientes objetivo que la empresa identificó son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, todos sectores que gestionan grandes volúmenes de imágenes y video y donde una descripción visual detallada puede ahorrar horas de trabajo manual.

Dai sostuvo 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. Por ahora, la presentación llega con varias preguntas abiertas: no se publicaron evaluaciones independientes que confirmen los resultados anunciados, no se detallaron los conjuntos de datos usados en las pruebas ni se comparó a Glimpse con modelos abiertos de referencia como los de la familia Qwen o Llama. Tampoco se conoce cuántos usuarios lograron efectivamente acceder al chat ni qué tan estable es la API fuera del período de vista previa. Hasta tanto esos puntos se aclaren, la propuesta de Elorian se presenta como una hipótesis técnica sólida, pero todavía pendiente de verificación externa.