Glimpse: un modelo de visión artificial que observa la imagen varias veces antes de responder y cuesta una fracción de sus rivales

Con apenas un equipo reducido y unos pocos cientos de chips especializados, la compañía estadounidense Elorian dio a conocer Glimpse, un modelo de visión artificial cuya arquitectura se aleja del enfoque dominante en el sector: en lugar de traducir la imagen a texto y razonar únicamente sobre esa representación, el sistema conserva la capacidad de volver al material original, recortarlo, examinar fotogramas puntuales de un video y ejecutar código para comparar y medir lo que observa. La firma describe ese mecanismo como un espacio de trabajo visual, una categoría que, según sostiene, no existía hasta ahora en los modelos multimodales de uso masivo.

Una diferencia de diseño frente a los modelos multimodales tradicionales

La mayoría de los modelos multimodales disponibles en el mercado operan en dos etapas secuenciales y sin retroalimentación: primero convierten la imagen en unidades de texto llamadas tokens y, a partir de allí, razonan exclusivamente con esa representación. Glimpse, en cambio, mantiene la imagen como referencia activa durante todo el proceso de respuesta. Esa diferencia, explicó la empresa, le permite revisar zonas específicas de un gráfico, avanzar cuadro por cuadro en un video o correr fragmentos de código para calcular magnitudes antes de emitir una respuesta. Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, sostuvo que los modelos de lenguaje alcanzaron un nivel razonable en matemáticas, programación y física, pero que la comprensión visual quedó rezagada frente a esas otras capacidades, y que Glimpse apunta precisamente a cerrar esa brecha.

Según las pruebas realizadas por la propia empresa y difundidas el 16 de octubre, el modelo supera a GPT-6 Astra en el análisis de gráficos científicos, en el conteo de objetos y en la descripción de videos cortos, y empata en tareas de razonamiento aplicado a robótica. La comparación con Claude Opus 5.5 también arrojó diferencias a favor de Glimpse en gráficos y video, de acuerdo con la información difundida por Elorian.

Un precio por token muy por debajo de los líderes del mercado

Elorian tarifó el uso de Glimpse a 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida, y afirmó que ese valor representa un costo un 94% menor al de GPT-6 Astra y un 85% menor al de Claude Opus 5.5. La diferencia obedece, en parte, al esquema de entrenamiento: el modelo se entrenó partiendo de una base de código abierto, con un equipo chico y una cantidad de chips muy inferior a la que destinan los grandes laboratorios del sector, un dato que la compañía destacó como prueba de que es posible obtener resultados competitivos sin los presupuestos de cómputo que dominan la industria.

Disponibilidad, clientes objetivo y lo que aún no se conoce

El modelo está disponible desde el 16 de octubre a través de una interfaz de programación y un chat con lista de espera, en lo que Elorian define como una vista previa de investigación. Los primeros clientes objetivo que la compañía identificó son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, todos sectores que gestionan grandes volúmenes de imágenes y video. Dai señaló 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, y describió a Glimpse como un primer paso dentro de una estrategia más amplia. Aún no se conoce en qué medida los resultados obtenidos en las pruebas internas de Elorian se replicarán en evaluaciones independientes, ni cuál será el desempeño del modelo cuando se lo someta a pruebas comparativas públicas y a escenarios de uso masivo fuera del alcance de una vista previa de investigación.