Glimpse, el ojo electrónico que no se conforma con mirar una sola vez

Yo te digo una cosa, querida: si a vos te muestran una foto una sola vez, te perdiste la mitad. Lo mismo piensa un grupo chico de gente que acaba de lanzar Glimpse, un modelo de inteligencia artificial que se da el lujo de mirar varias veces la misma imagen antes de contestarte lo que le preguntaste. Y ojo, que no estamos hablando de un laboratorio gigante con miles de ingenieros y una facturación de película: estamos hablando de un equipo reducido, unos pocos cientos de chips especializados y una base de código abierto, el tipo de cosa que parece más una startup montada en un galpón con un ventilador que una operación corporativa con moqueta y café de cápsula.

El galpón antes que el espectáculo

Antes de meternos en el modelo, vale la pena describir de dónde sale. La compañía se llama Elorian y la fundó Andrew Dai, un nombre que en el mundillo de la inteligencia artificial tiene cierto peso porque viene de Google DeepMind, uno de los templos mundiales del tema. La movida arrancó con la idea clásica del que vio algo que los demás no querían ver: que los modelos de lenguaje se volvieron razonablemente buenos en matemática, programación y física, y que sin embargo la comprensión visual quedó bastante más rezagada, como ese alumno que la rompe en algebra pero no entiende un mapa. Glimpse es, en criollo, el intento de hacer que la máquina entienda lo que ve con la misma soltura con la que escribe un párrafo o resuelve una ecuación.

Cómo trabaja el ojo que vuelve a mirar

La mayoría de los sistemas multimodales que hoy circulan por ahí hacen lo siguiente: toman la imagen, la transforman en una especie de idioma de unidades de texto, y a partir de ahí razonan solamente con eso, como si leyeran un resumen y nunca más pudieran volver al libro original. Glimpse no. Glimpse puede, mientras está pensando la respuesta, recortarle una esquina a la foto, revisar fotogramas puntuales de un video a mayor velocidad, o directamente ejecutar código para comparar y medir lo que tiene enfrente. Dai lo bautizó con una frase que queda bien en inglés: espacio de trabajo visual, que en castellano sería algo así como el taller donde la imagen sigue viva mientras la cabeza la piensa.

Lo que dicen los números (los de ellos)

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

Ahora, corresponde la aclaración de siempre: estos son resultados de las propias pruebas de Elorian, así que hay que leerlos con la misma sonrisa con la que uno mira la propaganda de la carnicería de la esquina. Pero el dato de contexto no es menor: estamos hablando de una empresa que, según lo que cuentan, entrenó el modelo con recursos muy por debajo de los presupuestos de los grandes laboratorios, y aun así afirma plantarse cara a cara con sistemas mucho más caros.

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

La plata, que nunca es un detalle

Elorian puso precio: 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. La compañía asegura que eso significa un costo un 94 por ciento menor al de GPT-6 Astra y un 85 por ciento menor al de Claude Opus 5.5. Si los números cierran como dicen, es la diferencia entre tomarse un colectivo y sacarse un remise para ir a la esquina.

Dónde, cuándo y a quién

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, o sea, todavía en modo experimental. Los primeros clientes que tienen en la mira son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, que son justo los rubros que se pasan el día masticando grandes volúmenes de imágenes y video. Para el año que viene, la promesa es ambiciosa: construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible. Falta ver si lo cumplen. Mientras tanto, queda la imagen simpática de un equipo chico, con pocos chips y mucho código abierto, queriéndole disputar el partido a los gigantes. Y a mí, te confieso, ese tipo de historia siempre me tira un poco más cerca del corazón que el comunicado corporativo de turno.