Glimpse, el modelo chico que le pisa los talones a los gigantes de la visión artificial

Me acuerdo de la primera vez que le pedí a un modelo de visión que contara cuántos focos encendidos había en una foto de un estadio: me dijo catorce, con una seguridad que daba ganas de aplaudirlo. Después fui y conté yo. Eran veintidós. Esa incomodidad, la de confiar en una respuesta que se cocinó sin volver a mirar la foto, es exactamente el hueco que dice querer tapar Andrew Dai, un ex investigador de Google DeepMind que armó su propia compañía, Elorian, y acaba de lanzar Glimpse.

Para entender lo que cambia, pensemos en una cocina. Los modelos multimodales dominantes, los que enchufan imagen y texto, funcionan como un cocinero que mira la heladera una sola vez, cierra la puerta y de ahí en más cocina de memoria, basándose solo en la lista mental que armó al principio. Glimpse, en cambio, deja la puerta abierta: mientras responde puede volver a la heladera, abrir el cajón de las verduras, comparar dos tuppers, medir cantidades con una jarra, incluso pasar un video cuadro por cuadro. A eso Elorian lo bautizó como espacio de trabajo visual.

Qué dice haber logrado y a qué precio

Según las pruebas que la propia empresa, el modelo supera a GPT-6 Astra en análisis de gráficos científicos, en conteo de objetos y en descripción de videos cortos, y empata en tareas de razonamiento aplicadas a robótica. Lo notable es cómo se entrenó: un equipo chico, unos pocos cientos de chips especializados y una base de código abierto, muy lejos de los presupuestos siderales que manejan los grandes laboratorios.

Y la diferencia se nota en la factura: Glimpse cobra 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. Elorian asegura que eso lo deja un 94 por ciento más barato que GPT-6 Astra y un 85 por ciento más barato que Claude Opus 5.5. Para un estudio de robótica o un laboratorio chico que mira miles de horas de video por semana, no es un detalle menor.

“Los modelos de lenguaje alcanzaron un nivel razonable en matemáticas, programación y física, pero la comprensión visual quedó rezagada frente a esas otras capacidades”Andrew Dai, fundador de Elorian

Quiénes lo van a probar primero

• Estudios de robótica, que necesitan medir formas, distancias y movimientos cuadro por cuadro.
• Laboratorios científicos, hartos de pelearse con gráficos que los modelos leen mal.
• Empresas de medios y productoras, que archivan bibliotecas enormes de fotos y videos.
• Estudios de videojuegos, donde cada textura y cada animación se revisa mil veces.

Glimpse está disponible desde el 16 de octubre a través de una API y de un chat con lista de espera, en lo que la compañía presenta como una vista previa de investigación. Para el próximo año, el objetivo que Dai se pone es bien concreto: construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría. Mientras tanto, cada vez que le pido a una IA que cuente focos en una foto, miro de reojo si todavía está mirando la imagen o ya cerró la puerta de la heladera.