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

Lo vi mil veces: uno le tira una foto de un gráfico a un chat con inteligencia artificial y la respuesta sale mal. Confunde los ejes, inventa un número, mezcla leyendas. El motivo es sencillo y casi nadie lo explica: la mayoría de los modelos multimodales actuales miran la imagen una sola vez, la transforman en una cadena de texto y razonan exclusivamente con eso. Después se olvidan de lo que había en la foto.

Una startup chica llamada Elorian decidió romper con esa lógica. Su modelo, Glimpse, hace algo que parece obvio pero casi nadie implementa: durante el proceso de respuesta puede volver a la imagen original, recortarla, revisar fotogramas puntuales de un video a mayor velocidad o ejecutar código para comparar y medir lo que observa. La empresa lo bautizó como espacio de trabajo visual.

La diferencia, contada con un ejemplo

Pensemos en un pueblo de Santa Cruz donde el intendente quiere saber cuántos metros de ruta nueva se asfaltaron este año y le pasa al sistema la foto de un parte de obra. El esquema clásico traduce esa planilla a texto, se traga una coma, y devuelve un número equivocado. Glimpse, en cambio, puede recortar la columna de kilómetros, ejecutar un pequeño código que sume los valores fila por fila y devolver el total correcto sin inventar nada.

Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, lo planteó en la misma línea: los modelos de lenguaje ya rindieron en matemáticas, programación y física, pero la comprensión visual quedó varios escalones atrás. Glimpse apunta a cerrar esa brecha con una idea simple: dejar que el sistema vuelva a mirar.

Qué dice la letra chica de las pruebas

• Supera a GPT-6 Astra en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos.
• Empata con ese mismo modelo en tareas de razonamiento aplicado a robótica.
• Costo declarado: 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida.
• La empresa afirma que eso es 94% más barato que GPT-6 Astra y 85% más barato que Claude Opus 5.5.
• Entrenamiento hecho con un equipo reducido y unos pocos cientos de chips especializados, partiendo de un modelo de código abierto.

Quiénes lo pueden usar y cómo se accede

Glimpse está disponible desde el 16 de octubre a través de una API y un chat con lista de espera. Elorian lo presenta como una vista previa de investigación, no como un producto terminado. Los primeros clientes que la propia compañía mencionó como objetivo son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos: todos rubros que mueven mucho material visual y suelen quejarse de los errores de los modelos actuales.

La promesa hacia adelante es ambiciosa. Dai dijo que el objetivo para el próximo año es construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría. La empresa describe a Glimpse como un primer paso dentro de un plan más largo.

Por ahora, la pregunta es cuándo esos benchmarks propios se confirman afuera y cuándo un laboratorio independiente se toma el trabajo de cotejar, gráfico por gráfico, si la vuelta a la imagen realmente le gana a la traducción a texto. Hasta entonces, lo concreto es esto: un equipo chico, con pocos recursos, obliga a los gigantes a explicar por qué sus modelos multimodales siguen mirando una sola vez.