Un equipo chico y unos pocos chips: así nace Glimpse, la inteligencia artificial que aprende a mirar dos veces

Acá arriba, donde el sol pega fuerte y la rutina se mide en siestas y mates, cuesta imaginarse que del otro lado del mundo un equipo chico, con pocos recursos y unas pocas centenas de chips especializados, acaba de sacudir el mundo de la inteligencia artificial con un modelo de visión que hace algo que los grandes todavía no logran: mirar una imagen varias veces antes de responder. Se llama Glimpse, lo presentó la compañía Elorian y, si los números que ellos mismos difunden se sostienen, pone en jaque a varios de los sistemas multimodales que hoy dominan el mercado.

Una forma distinta de ver

La mayoría de los modelos multimodales actuales, me explico mientras camino por la vereda todavía tibia, funcionan como un traductor: toman una imagen, la convierten en unidades de texto y, a partir de ahí, razonan exclusivamente con esa representación, sin volver jamás al material original. Es como si alguien describiera una foto de memoria y nunca pudiera volver a mirarla. Glimpse rompe con esa lógica. Durante el proceso de respuesta puede volver sobre la imagen, recortarla, enfocarse en una zona puntual, revisar fotogramas sueltos de un video a mayor velocidad e incluso ejecutar código para comparar y medir lo que está observando. En Elorian bautizaron a ese mecanismo como "espacio de trabajo visual".

Andrew Dai, fundador de la empresa y ex investigador de Google DeepMind, me lo resumió con una idea que me quedó dando vueltas: los modelos de lenguaje ya alcanzan un nivel razonable en matemáticas, programación y física, pero la comprensión visual quedó rezagada frente a esas otras capacidades. Glimpse, dijo, apunta a cerrar esa brecha.

• Recorta zonas específicas de la imagen durante el razonamiento, en vez de trabajar solo con una descripción previa.
• Revisa fotogramas puntuales de un video a mayor velocidad para no perder detalles.
• Ejecuta código para comparar y medir elementos visuales, como si fuera un pequeño analista.
• Supera a GPT-6 Astra en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos, según pruebas de la propia empresa.
• Empata con esos sistemas en tareas de razonamiento aplicado a robótica.

Rinde más y cuesta una locura menos

Lo segundo que me llamó la atención, y acá vuelvo a conversar con Hernán, un vecino de Tilcara que me escribe seguido para contarme cómo ve el avance de la tecnología desde su pueblo, fue el precio. Glimpse cobra 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. Según Elorian, eso representa un costo un 94 por ciento menor al de GPT-6 Astra y un 85 por ciento menor al de Claude Opus 5.5, dos de los sistemas de referencia del sector. O sea, una diferencia que no es menor: es casi otro mercado.

La empresa aclara que entrenó el modelo con un equipo reducido y a partir de una base de código abierto, muy por debajo de los presupuestos de cómputo que manejan los grandes laboratorios. Eso, en un rubro donde mover un modelo suele requerir granjas enteras de servidores, no es un detalle menor: es casi una declaración de principios.

Quiénes lo van a usar y cómo se consigue

Glimpse está disponible desde el 16 de octubre a través de una interfaz de API y un chat con lista de espera, en lo que Elorian define como una vista previa de investigación. Los primeros clientes objetivo que la compañía identificó son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, todos rubros que gestionan grandes volúmenes de imágenes y video.

Dai contó 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 lo describe como un primer paso dentro de un proyecto que recién empieza, y la verdad es que, viéndolo desde acá arriba, mientras el sol baja y la vereda se enfría, uno no puede evitar pensar que, a veces, las revoluciones más interesantes nacen en los lugares que nadie tenía en la mira.

“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 y ex investigador de Google DeepMind