Glimpse, la inteligencia artificial que vuelve a mirar la foto antes de contestarte

A veces uno le manda una foto al chat inteligente y la respuesta llega tan genérica que dan ganas de preguntarle si de verdad miró la imagen. Ahora apareció un modelo que, según su creador, se toma el trabajo de volver a chequear el material antes de contestar. Se llama Glimpse y lo presentó la compañía Elorian.

La mayoría de los sistemas multimodales actuales, los que entienden texto e imagen a la vez, hacen lo siguiente: toman la foto, la traducen a unidades parecidas a palabras y después razonan únicamente con ese reemplazo textual, sin volver a mirar el original. Es como si alguien describiera tu departamento de memoria y, a partir de ahí, te recomendara dónde poner el sillón, sin haber pisado nunca el lugar.

Un espacio de trabajo visual, vaya uno a saber qué significa eso

Glimppe opera distinto. Durante el proceso de respuesta puede volver a la imagen fuente, recortar una zona específica para analizarla con más detalle, revisar fotogramas puntuales de un video a mayor velocidad o directamente ejecutar código para comparar y medir lo que ve. Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, bautizó a ese mecanismo como "espacio de trabajo visual".

“Los modelos de lenguaje alcanzaron un nivel razonable en matemáticas, programación y física, pero la comprensión visual quedó rezagada frente a esas otras capacidades. Glimpse apunta a cerrar esa brecha.”Andrew Dai, fundador de Elorian

Qué dice la letra chica de las pruebas

Conviene aclararlo de entrada: los resultados que difundió la empresa son los de sus propios benchmarks. En esas evaluaciones, Glimpse supera a GPT-6 Astra en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos, y empata en tareas de razonamiento aplicadas a robótica. Habrá que esperar pruebas independientes para ver si la diferencia se mantiene fuera del laboratorio de Elorian.

La parte que duele menos en el bolsillo

• Costo de uso: 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida.
• Según Elorian, eso implica un precio un 94 por ciento menor al de GPT-6 Astra y un 85 por ciento menor al de Claude Opus 5.5.
• El equipo de entrenamiento fue chico y trabajó con unos pocos cientos de chips especializados, partiendo de un modelo de código abierto.
• El presupuesto de cómputo queda muy por debajo del que manejan los grandes laboratorios del sector.

Para ponerlo en criollo: un token es cada trozito de texto, casi una sílaba, que el modelo procesa. Hablar de un millón de tokens es como llenar unos libros de antes de empezar a pagar. Con esos números, mover análisis de imágenes o video deja de ser un lujo reservado a empresas con billetera grande.

Quiénes podrían llegar a usarlo

El modelo está disponible desde el 16 de octubre a través de una interfaz de programación y de un chat con lista de espera, en lo que Elorian define como una vista previa de investigación. Los primeros clientes que la compañía identificó son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, todos rubros que revisan volúmenes enormes de imágenes y video.

Dai contou que el objetivo para el año que viene es construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría. La empresa lo describe como un primer paso dentro de una serie más larga, algo que, traducido al lenguaje de los mortales, significa que todavía no se sabe hasta dónde puede llegar.

Consejo práctico antes de ilusionarse: si tu empresa trabaja con muchas imágenes o videos y hoy gasta una fortuna en análisis, probá Glimpse con un lote chico de prueba. Compará resultados contra lo que ya usás, no te quedes solo con los números que publica Elorian, y recién después decidís si conviene migrar parte del flujo de trabajo.