Glimpse: el modelo argentino que "re-mira" la imagen antes de responder, y cuesta una fracción de sus rivales

Imagine que usted le muestra a alguien una foto del patio de la casa de su tía en Santiago y le pregunta cuántos metros mide la galería. La mayoría de los sistemas de inteligencia artificial actuales miran la imagen una sola vez, la traducen a palabras internas y razonan solo con ese texto, sin volver a chequear la foto. Glimpse, el modelo que presentó la empresa Elorian, hace otra cosa: recorta la zona de la galería, ejecuta un fragmento de código para contar los mosaicos y, sobre la marcha, vuelve a mirar el original cuando le quedan dudas. Esa ida y vuelta permanente la llaman "espacio de trabajo visual".

Para entender el cambio, vale un ejemplo bien nuestro: si un sistema viejo tenía que describir el festival de la Chacarera, convertía las fotos en una descripción de palabras y se arreglaba con eso. Glimpse, en cambio, puede volver a abrir la imagen, ampliar la zona de los bailarines cuadro por cuadro, y hasta medir cuántos hay en escena. La diferencia parece sutil, pero cambia el tipo de respuesta.

Qué puede hacer y por qué se diferencia

Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, sostuvo que los modelos de lenguaje llegaron a un nivel razonable en matemáticas, programación y física, pero que la comprensión visual quedó varios escalones atrás. Glimpse apunta a cerrar esa brecha, justamente devolviéndole a la imagen un rol central en el razonamiento.

• Recortar zonas específicas de una imagen para volver a mirarlas con más detalle.
• Revisar fotogramas puntuales de un video a mayor velocidad que la reproducción normal.
• Ejecutar código para comparar y medir lo que observa, por ejemplo contar objetos o calcular dimensiones.
• Cuestionar su propia respuesta y volver al material original si la respuesta no le cierra.
• Trabajar sobre la imagen completa, no solo sobre una versión convertida en texto.

Según las pruebas que la propia empresa y difundió en su comunicación, 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 aplicado a robótica. Son evaluaciones realizadas por Elorian sobre su propio modelo, por lo que conviene leerlas como una primera señal y no como un veredicto independiente.

Cuánto cuesta y con qué se entrenó

El precio de uso es de 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. Elorian asegura que eso es un 94 por ciento más barato que GPT-6 Astra y un 85 por ciento más barato que Claude Opus 5.5, los dos sistemas de referencia del sector. La compañía entrenó el modelo con un equipo chico y unos pocos cientos de chips especializados, partiendo de una base de código abierto. Es un presupuesto de cómputo muy por debajo del que manejan los grandes laboratorios.

El modelo está disponible desde el 16 de octubre a través de una API y un chat con lista de espera, en lo que la empresa 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: sectores que manejan grandes volúmenes de imágenes y video y donde un buen análisis visual hace la diferencia.

“Los modelos de lenguaje llegaron a 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

Dai señaló que el objetivo para el próximo año es construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría. Por ahora, Glimpse es apenas un primer paso dentro de ese plan más largo. Falta ver si la diferencia de precio se sostiene cuando el modelo se pruebe fuera del laboratorio, y si los rivales más grandes incorporan mecanismos parecidos de "re-mirada" antes que esta ventaja se licúe.