Glimpse: el modelo chico que le pisa los talones a los gigantes y cuesta una fracción

A vos te pasa: le mandás una foto a una inteligencia artificial para que te diga qué dice un gráfico del trabajo y te contesta cualquier verdura. Le pedís que cuente las manzanas de una mesa y te tira un número que no se acerca ni por casualidad. Esas situaciones cotidianas que la tecnología todavía arruina son exactamente el hueco que quiere tapar Glimpse, un modelo de visión artificial creado por Elorian, una compañía con equipo chico y pocos chips.

La diferencia central está en cómo trabaja. La mayoría de los modelos multimodales actuales, esos que ven imágenes y videos, hacen lo siguiente: transforman la imagen en unidades de texto, lo que se llaman tokens (cada token es como una palabra o un pedacito de palabra que el modelo procesa), y a partir de ahí razonan solo con esa traducción. Nunca más vuelven a mirar la foto. Como si vos leyeras una descripción del menú y nunca más abras la carta.

Un espacio de trabajo que vuelve a la imagen

Glimpse hace otra cosa. La propia empresa lo describe como un espacio de trabajo visual: durante el proceso de respuesta puede volver sobre la imagen original, recortarla para fijarse en un detalle, revisar fotogramas puntuales de un video a mayor velocidad o incluso ejecutar código para comparar y medir lo que está viendo. Es la diferencia entre alguien que lee el resumen de un partido y alguien que vuelve a ver la jugada en el monitor.

Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, lo planteó así: los modelos de lenguaje ya resuelven matemáticas, programación y física con un nivel razonable, pero la comprensión visual quedó varios pasos atrás. Glimpse apunta a achicar esa distancia.

Los números que presenta la empresa

• Supera a GPT-6 Astra en análisis de gráficos científicos.
• Gana en conteo de objetos dentro de una imagen.
• Le saca ventaja en la descripción de videos cortos.
• Empatá en tareas de razonamiento aplicado a robótica.

Conviene aclarar algo antes de seguir: esos resultados salieron de pruebas hechas por la propia Elorian, no de Evaluaciones independientes. Habrá que ver cuándo aparecen comparaciones externas para saber si la promesa se sostiene.

Lo que cuesta y dónde se usa

Acá aparece el dato que más duele en las billeteras corporativas. Elorian cobra 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. La empresa asegura que eso significa un 94% menos que GPT-6 Astra y un 85% menos que Claude Opus 5.5. Para ponerlo en criollo: es como pagar el colectivo en lugar de un remise para ir al mismo lado.

El modelo se entrenó con un equipo chico y unos pocos cientos de chips especializados, partiendo de una base de código abierto. Es un presupuesto de cómputo muy inferior al que manejan OpenAI, Google o Anthropic. Está disponible desde el 16 de octubre mediante una API y un chat con lista de espera, en lo que la compañía llama una vista previa de investigación.

Los primeros clientes que Elorian tiene en la mira son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, todos rubros que manejan montañas de imágenes y video. Para el año que viene, Dai dijo que el objetivo es construir el modelo de razonamiento visual con mejor desempeño en cada benchmark disponible, que es el nombre técnico que se le da a las pruebas comparativas estándar que usa la industria.

Una confesión de autor: me cebé con el planteo de Glimpse, pero también me lo guardo bajo el ala del descreimiento. Más de una vez vi a una startup prometer resultados formidables en pruebas propias y después desinflarse cuando llega el turno de Evaluarse afuera. Habrá que mirarlo con lupa, nunca mejor dicho.

Si trabajás con imágenes o video en cantidad, probá Glimpse cuando saquen la lista de espera. Si no te toca por rubro, quedáte con la idea de fondo: el próximo salto de la IA no va a ser solo hablar mejor, sino mirar mejor. Y eso ya empezó.