Elorian presenta Glimpse, su innovador modelo de IA que razona con imágenes

Elorian, una startup de inteligencia artificial con sede en Palo Alto, presentó su primer modelo llamado Glimpse el pasado viernes, según reportó TechCrunch. Esta innovadora herramienta, que busca revolucionar la forma en que las máquinas interpretan imágenes, se lanzó como una vista previa de investigación con acceso a API y una interfaz de chat que actualmente se encuentra en lista de espera.

El enfoque de Glimpse se diferencia de otros modelos multimodales, que suelen analizar una imagen una sola vez y convertirla en tokens para razonar sobre ella en texto. En contraste, Glimpse permite un análisis más dinámico, regresando a la imagen original durante el razonamiento. Esto significa que puede recortar una región, extraer cuadros específicos de un video o ejecutar código para medir o comparar lo que está observando, un proceso que Elorian denomina "espacio de trabajo visual". Este mecanismo se asemeja a hacer zoom en una foto en un teléfono para verificar lo que se ha visto.

El CEO de Elorian, Andrew Dai, compartió que una de las señales más claras de que la IA aún no puede "ver" realmente se presentó durante una noche de juegos. En una ocasión, fotografió un juego de mesa y preguntó a un modelo de vanguardia quién estaba ganando. El modelo no pudo responder. Según Dai, cada juego tiene su propio lenguaje visual y simbología que, aunque son comprensibles para un humano, resultan confusos para los modelos de IA. "Los humanos pueden mirar diagramas de Ikea, sin texto, y ensamblar muebles, ¿por qué no pueden los modelos de IA?", cuestionó.

Si bien la idea de razonar con imágenes no es completamente nueva —OpenAI introdujo la función de recorte y zoom en 2025—, Elorian sostiene que ha construido todo su modelo alrededor de esta capacidad de manera económica. La compañía afirma que un pequeño equipo entrenó a Glimpse utilizando unos pocos cientos de GPUs, y que el modelo es considerablemente más pequeño que los sistemas de vanguardia con los que se compara.

El costo de Glimpse es de $0.60 por millón de tokens de entrada y $3 por millón de tokens de salida, lo que lo sitúa por debajo de modelos de nivel medio como Sonnet y Sol, pero por encima de modelos ligeros como Haiku y Luna. Sin embargo, las evaluaciones de Elorian indican que Glimpse supera incluso a GPT-6 Astra en razonamiento de gráficos científicos y subtitulación de videos de corta duración, con resultados competitivos en otras tareas de razonamiento visual.

Elorian salió de su modo sigiloso hace seis meses, tras una ronda de financiamiento co-liderada por Striker Venture Partners, Menlo Ventures y Altimeter Capital, con la participación de Nvidia y el científico jefe de Google, Jeff Dean.

Los objetivos iniciales de Glimpse son las empresas que manejan grandes volúmenes de video, como firmas de robótica, laboratorios científicos, medios de comunicación y empresas creativas. A largo plazo, Elorian aspira a pasar de ver a hacer, lo que implica construir un modelo de una escena para elegir una acción, incluyendo el control directo de robots. Para el próximo año, Dai mencionó que la compañía planea desarrollar "el mejor modelo de razonamiento visual del mundo", uno que lidere en todas las pruebas de razonamiento visual.

Temas