Glimpse, la inteligencia artificial que vuelve a mirar la imagen antes de contestar

¿Te pasó de pedirle a una inteligencia artificial que te describa un gráfico y que te dé una respuesta que no tiene nada que ver con lo que ves en la pantalla? A mí, varias veces. Y el problema, según un grupo de investigadores, no es que la IA sea tonta: es que la mayoría de los modelos multimodales miran la imagen una sola vez, la transforman en un texto interno y después razonan sin volver a chequearla. Como si leyesen el resumen de un libro y nunca más abrieran el libro.

Un modelo que vuelve al archivo visual

Glimpse, el desarrollo de la startup Elorian, trabaja distinto. En vez de quedarse con la traducción inicial, puede recortar zonas puntuales de la imagen, revisar fotogramas de video a mayor velocidad y hasta correr código para medir lo que está viendo. La empresa lo bautizó como “espacio de trabajo visual”: una idea simple, pero que cambia la dinámica de cómo la máquina “piensa” sobre lo que ve.

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

Dai conoce el paño: pasó por uno de los laboratorios más pesados del mundo y ahora apuesta con un equipo chico. Glimpse fue entrenado con unos pocos cientos de chips especializados y partiendo de una base de código abierto, muy lejos de los presupuestos con los que juegan OpenAI, Google o Anthropic. Y sin embargo, en las pruebas que publicó la propia empresa, los resultados llaman la atención.

Qué dicen los números

• Supera a GPT-6 Astra en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos.
• Empató con los sistemas de referencia 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, una tarifa que la compañía presenta como un 94% más barata que GPT-6 Astra y un 85% más barata que Claude Opus 5.5.

Para ponerlo en un lenguaje cotidiano: es la diferencia entre pagar un remise con tarifazo o tomarse un colectivo que llega al mismo lugar. No es glamour, pero rinde. Eso sí, los resultados son los que difundió Elorian, así que todavía falta que otros laboratorios independientes los corroboren.

El modelo está disponible desde el 16 de octubre a través de una API y un chat con lista de espera, en lo que la empresa presenta como una vista previa de investigación. Los primeros clientes apuntados son estudios de robótica, laboratorios científicos, medios y estudios de videojuegos: todos rubros que manejan montañas de imágenes y video. Dai dijo que el objetivo para el próximo año es construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible. Un primer paso, según sus propias palabras, dentro de un proyecto más largo.