Glimpse, el modelo de visión artificial que recorta, mide y vuelve sobre la imagen antes de responder

El proyecto Glimpse nació en Elorian, una compañía fundada por Andrew Dai, ex investigador de Google DeepMind, y apunta a cubrir un punto débil que el propio fundador reconoce en los modelos de lenguaje actuales: la comprensión visual quedó relegada frente a los avances en matemáticas, programación y física. En lugar de convertir la imagen en una secuencia de palabras y razonar únicamente a partir de esa traducción, como hacen la mayoría de los sistemas multimodales, Glimpse mantiene el acceso al material original durante toda la respuesta.

El método se apoya en tres pasos. Primero, en vez de quedarse con una representación textual fija, el modelo puede volver a la imagen o al video cada vez que lo necesita. Segundo, recorta zonas específicas del cuadro para examinar detalles que podrían pasar desapercibidos en una vista general. Tercero, ejecuta código para comparar elementos y medir distancias, cantidades o proporciones, una capacidad especialmente útil cuando la respuesta depende de un número exacto y no de una descripción aproximada.

El llamado espacio de trabajo visual

Andrew Dai bautizó a ese mecanismo como espacio de trabajo visual. La idea central es que un sistema de visión no debería desprenderse de la imagen que perciba al momento de generar una respuesta, ya que ese paso intermedio introduce pérdidas de información. Conservar el lazo con el material original permite, por ejemplo, revisar fotogramas puntuales de un video a mayor velocidad cuando el modelo necesita detenerse en un instante particular, o aislar una porción del gráfico para confirmar un valor antes de comunicarlo.

Resultados reportados por la propia empresa

Según las pruebas presentadas por Elorian, 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. Los resultados corresponden a evaluaciones internas de la compañía, por lo que aún resta la verificación independiente de otros laboratorios.

El modelo se entrenó con un equipo reducido y unos pocos cientos de chips especializados, partiendo de una base de código abierto, una escala muy alejada de los presupuestos de cómputo que manejan los grandes laboratorios del sector. Elorian fijó el precio de uso en 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida, y aseguró que esa tarifa representa un costo un 94% menor al de GPT-6 Astra y un 85% menor al de Claude Opus 5.5.

“Los modelos de lenguaje alcanzaron 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

Primeros usuarios y hoja de ruta

Glimpse está disponible desde el 16 de octubre a través de una interfaz de API y de un chat con lista de espera, en lo que Elorian describe como una vista previa de investigación. 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. La empresa describió a Glimpse como un primer paso dentro de una línea de trabajo más amplia sobre cómo las máquinas observan y describen lo que observan, un terreno donde, por ahora, vuelve a poner la lupa sobre la imagen en lugar de dejarla en el camino.