Glimpse, el modelo de visión que recorta la imagen y vuelve a mirarla antes de contestar

Por Nadia Morales. Cada vez que uno le pasa una foto o un video a un asistente de inteligencia artificial, lo más común es que el sistema traduzca esa imagen en palabras internas y, a partir de ahí, razone solo con texto. Es como si el modelo mirara una vez, cerrara los ojos y respondiera de memoria. Una empresa chica, con poco presupuesto y pocos chips, acaba de presentar un enfoque distinto: vuelve a la imagen una y otra vez mientras arma la respuesta.

Qué hace diferente a Glimpse

El modelo, que se llama Glimpse y pertenece a la compañía Elorian, incorpora lo que sus creadores llaman un espacio de trabajo visual. En la práctica, eso significa que durante la respuesta puede recortar una zona puntual de la foto, pasar un video cuadro por cuadro a alta velocidad, o ejecutar código para medir distancias, contar elementos o comparar píxeles. En vez de quedarse con una descripción textual de lo que vio, conserva la imagen original como referencia y la consulta cada vez que lo necesita.

Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, lo resumió así: los modelos de lenguaje ya resuelven bien problemas de matemática, programación y física, pero la comprensión visual quedó varios pasos atrás. Glimpse, dijo, apunta a cerrar esa distancia.

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

Resultados y precio

• Según las pruebas de la propia empresa, 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.
• Cobran 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida, lo que representa un costo un 94% menor al de GPT-6 Astra y un 85% menor al de Claude Opus 5.5.
• El modelo se entrenó con un equipo chico y unos pocos cientos de chips especializados, a partir de una base de código abierto, muy lejos de los presupuestos de los grandes laboratorios.

Qué cambia para el usuario común

Para un lector de a pie, la diferencia se nota en tareas muy concretas: pedirle al sistema que cuente cuántas personas hay en una foto, que mida un área en una imagen médica, que compare dos gráficos o que describa con precisión qué pasa en un video corto. Los modelos tradicionales suelen fallar o inventar datos en ese tipo de pedidos; Glimpse, según su fabricante, vuelve a la imagen para verificar antes de responder.

El servicio 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 presenta como una vista previa de investigación. Sus primeros clientes apuntados son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, todos rubros que manejan grandes volúmenes de imágenes y video.

Una aclaración útil para no llevarse sorpresas: los resultados que la empresa son los de sus propias pruebas internas, así que habrá que esperar benchmarks independientes para confirmar si la ventaja se mantiene afuera del laboratorio. Mientras tanto, mi consejo es probar el chat con lista de espera con casos concretos del trabajo de cada uno, antes de pensar en integrarlo a un proyecto en producción.