Glimpse: la IA que se niega a leer la imagen una sola vez y se pone a mirarla en serio

¿Cuántas veces tuviste que mostrarle la misma foto a un chatbot para que entienda lo que le estás preguntando? Más de una, te apuesto. El problema no es tuyo: es de los modelos multimodales dominantes, que toman una imagen, la aplastan en tokens de texto, o sea en pedacitos numéricos que representan palabras, y a partir de ahí razonan a ciegas, sin volver a mirar el original. Glimpse viene a romper esa lógica.

La criatura la presentó Elorian, una compañía chica fundada por Andrew Dai, ex investigador de Google DeepMind, la pata de inteligencia artificial de Google. La idea central tiene un nombre pomposo, espacio de trabajo visual, y una traducción bien santafesina: en vez de mirar la foto una sola vez y opinar de memoria, el modelo puede volver sobre la imagen, recortarla, sacar fotogramas puntuales de un video cuadro por cuadro o ejecutar código para medir distancias, contar objetos o comparar gráficos. Algo así como el alumno que no se queda con la primera impresión y vuelve a chequear la lámina antes de responder.

¿Qué puede hacer que no hagan los demás?

En las pruebas que publicó la propia empresa, Glimpse le ganó a GPT-6 Astra en el análisis de gráficos científicos, en el conteo de objetos dentro de una imagen y en la descripción de videos cortos. También empató en tareas de razonamiento aplicadas a robótica. Atención con esto: no estamos hablando de un modelo escondido en un sótano, sino de uno que se midió mano a mano con productos de referencia del mercado y zamarreo a varios.

¿Cuánto sale y por qué importa el precio?

• Cobra 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. Para ponerlo en criollo: el token es la unidad mínima de texto que procesa el modelo, así que un millón de ellos equivale a varias páginas escritas.
• Según Elorian, eso es un 94 por ciento más barato que GPT-6 Astra y un 85 por ciento más barato que Claude Opus 5.5, dos de los modelos más caros del mercado.
• Se entrenó con un equipo chico y unos pocos cientos de chips especializados, partiendo de una base de código abierto, es decir, programas que cualquiera puede usar y modificar gratis.
• El resultado rompe el mantra de que para competir en IA hacen falta los presupuestos obscenos de los laboratorios de Estados Unidos o China.

Dai lo dijo sin vueltas: los modelos de lenguaje ya resuelven matemática, programación y física con un nivel razonable, pero la comprensión visual viene unos cuerpos atrás. Glimpse es la primera movida de Elorian para achicar esa brecha, y la empresa la presenta como un primer paso dentro de un plan más largo.

¿Quién lo va a usar y desde cuándo?

El modelo está disponible desde el 16 de octubre a través de una API, que es una interfaz técnica para que otros programas lo usen de forma automática, y de un chat con lista de espera, en lo que la compañía llama una vista previa de investigación. Los primeros clientes apuntados son estudios de robótica, laboratorios científicos, medios y estudios de videojuegos, sectores que mastican montañas de imágenes y video todos los días.

“El 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

Falta ver si los benchmarks, o sea las pruebas estandarizadas que usa la industria para medir a estos modelos, aguantan el embate de un equipo chico con pretensiones grandes. Por ahora, el mensaje de fondo es incómodo para los gigantes: no siempre gana el que más plata quema en chips. Veremos.