Glimpse: la IA que vuelve a mirar la foto antes de contestar

¿Te pasó de pedirle a una inteligencia artificial que te describa un gráfico y que la respuesta sea un disparate? A mí también. La idea de que la máquina mire la imagen una sola vez, la traduzca a palabras y se olvide del original parece ser parte del problema. Glimpse, un modelo nuevo de una compañía llamada Elorian, intenta resolverlo volviendo a la imagen cada vez que lo necesita.

La mayoría de los modelos multimodales que están en el mercado hacen lo siguiente: toman la imagen, la pasan a unidades de texto y razonan solo con esa traducción. Nunca más vuelven a mirar la foto. Glimpse hace otra cosa: mantiene un espacio de trabajo visual donde puede recortar una zona específica de la imagen, sacar fotogramas puntuales de un video a mayor velocidad o ejecutar código para contar y comparar lo que ve. Es como si, en vez de memorizar una foto y contarte lo que recuerda, la tuviera siempre a mano y pudiera ir señalando con el dedo.

Qué promete y en qué le gana

Andrew Dai, el fundador de Elorian y ex investigador de Google DeepMind, dijo que los modelos de lenguaje ya rinden bien en matemática, programación y física, pero que la comprensión visual viene quedando atrás. Glimpse apunta justamente a cerrar esa brecha.

• Supera a GPT-6 Astra en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos.
• Empata en tareas de razonamiento aplicado a robótica.
• Cuesta 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida, que según la empresa es un 94 por ciento menos que GPT-6 Astra y un 85 por ciento menos que Claude Opus 5.5.

El otro dato fuerte es cómo se hizo. Lo entrenó un equipo chico, con unos pocos cientos de chips especializados y partiendo de una base de código abierto, muy lejos de los presupuestos siderales que manejan los laboratorios grandes. Es el típico caso de David frente a Goliat, pero con servidores en vez de piedras.

Quiénes lo están probando

Desde el 16 de octubre se puede acceder por una API y por un chat con lista de espera. La propia empresa lo presenta como una vista previa de investigación. Los primeros sectores apuntados son robótica, laboratorios científicos, medios y estudios de videojuegos, todos lugares donde se acumulan montañas de imágenes y video que hoy las herramientas genéricas no leen del todo bien. Para el año que viene, la compañía quiere tener el modelo de razonamiento visual con mejor rendimiento en cada prueba comparativa disponible. Si te sirve, probalo.