Un modelo chico y barato le compite a los gigantes de la visión artificial mirando dos veces la imagen

¿Por qué una inteligencia artificial necesita mirar más de una vez una foto o un video para entender lo que tiene delante? La pregunta parece de chico, pero esconde un problema serio de los modelos multimodales actuales. La mayoría toma una imagen, la traduce a palabras internas y después razona solo con ese texto, sin volver a chequear el original. Eso le juega en contra cuando tiene que contar objetos, leer gráficos complejos o describir una escena en movimiento.

Un espacio de trabajo visual

Acá aparece Glimpse, el desarrollo de la startup Elorian. Su particularidad es lo que la empresa llama un "espacio de trabajo visual": durante el proceso de respuesta, el sistema puede volver a la imagen o al video, recortar una zona puntual, revisar un fotograma específico a mayor velocidad o ejecutar código para medir distancias, comparar colores o contar elementos. Es decir, no se conforma con la primera traducción a texto y consulta la fuente cada vez que lo necesita.

Andrew Dai, fundador de Elorian e investigador que pasó por Google DeepMind, lo resumió así: los modelos de lenguaje ya resuelven matemática, programación y física con solvencia, pero la comprensión visual quedó atrás. Glimpse apunta a cerrar esa brecha.

Los números que presenta la empresa

• Supera a GPT-6 Astra en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos, según pruebas internas de Elorian.
• Empata con esos modelos en tareas de razonamiento aplicado a robótica.
• Cobra 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida, un 94% menos que GPT-6 Astra y un 85% menos que Claude Opus 5.5.
• Se entrenó con un equipo chico y unos pocos cientos de chips especializados, partiendo de una base de código abierto, muy lejos del presupuesto de cómputo de los grandes laboratorios.

Glimpse está disponible desde el 16 de octubre mediante una API y un chat con lista de espera, en lo que la empresa presenta como una vista previa de investigación. Los primeros clientes que Elorian tiene en la mira son estudios de robótica, laboratorios científicos, empresas de medios y desarrolladoras de videojuegos, sectores que mueven grandes volúmenes de imágenes y video. Para el usuario común, el cambio concreto todavía no se nota en el celular ni en la computadora: por ahora la herramienta llega a través de desarrolladores e integraciones, aunque la promesa es que mejore asistentes y apps que hoy describen fotos, traducen gráficos o analizan material audiovisual con margen de error.