Elorian, la startup de Palo Alto que llamó la atención al levantar 55 millones de dólares en ronda semilla con una valuación de 300 millones, antes siquiera de lanzar un solo producto, finalmente presentó su primer modelo. Se llama Glimpse y la propuesta es directa: en lugar de convertir imágenes en tokens de texto y luego razonar a partir de esa traducción, el modelo mantiene las imágenes como referencias vivas durante todo el proceso de razonamiento.
El CEO y cofundador Andrew Dai, exinvestigador de Google DeepMind, le dijo a TechCrunch que el problema que Glimpse busca resolver tiene un origen demasiado banal para ser teoría académica: él fotografió un juego de mesa en una noche entre amigos y le preguntó a un modelo de IA de última generación quién ganaba. El modelo no pudo responder. "Cada juego tiene su propio lenguaje visual, su propia iconografía y sus símbolos", explicó Dai. "Para un adulto, es bastante fácil entender qué está pasando con poco texto, pero estos modelos no pueden intuir lo que significan los símbolos."
La analogía que usa Dai es aún más contundente: los humanos pueden mirar un diagrama de IKEA sin texto alguno y armar el mueble. Los modelos de IA multimodales actuales fallan en este tipo de tareas porque convierten la imagen en tokens una única vez y luego razonan a partir de esa representación estática, como alguien que describe una fotografía de memoria. Si el detalle importante queda fuera del encuadre inicial, el modelo alucina, falla en los conteos o se pierde en las relaciones espaciales.
Lo que hace diferente al Glimpse es lo que la propia empresa llama "visual scratch space", un espacio de borrador visual. Durante el razonamiento, el modelo puede recortar una región específica de la imagen, extraer cuadros individuales de un video o ejecutar código para medir y comparar elementos visuales. No se trata solo de analizar la imagen una vez; es volver a ella, verificar, confirmar, refinar. Toda la arquitectura fue construida en torno a esta capacidad de revisitar la fuente, no solo de codificarla y seguir adelante.
El resultado, según evaluaciones propias de Elorian, es un modelo que supera al GPT-6 Astra en razonamiento con gráficos científicos y subtítulos de videos cortos, con resultados competitivos en otras tareas de razonamiento visual. El precio del modelo es de 0,60 dólar por millón de tokens de entrada y 3 dólares por millón de tokens de salida, un 94% más barato que el GPT-6 Astra, que cobra 10 dólares por millón de tokens de entrada. La Elorian afirma que entrenó el Glimpse con unas pocas cientos de GPUs, en un equipo pequeño, haciéndolo substancialmente menor que los sistemas frontier con los que compite.
El enfoque no es completamente nuevo. OpenAI ya había incorporado crop-and-zoom durante el razonamiento en sus modelos de la serie o en 2025, y otros sistemas multimodales ganan acceso a herramientas de medición durante la inferencia. Lo que diferencia a Elorian es que el crop-and-reference no es un plugin añadido a un modelo de lenguaje; es el núcleo de la arquitectura. Cada decisión del modelo, desde el primer token hasta el último, puede consultar la imagen original.
Esto tiene implicaciones profundas para sectores que manejan grandes volúmenes de datos visuales. La Elorian ya apunta a empresas de robótica (donde la visión es el sentido primario de navegación), laboratorios científicos (que interpretan microscopía, imágenes satelitales y gráficos complejos) y compañías de medios y entretenimiento (que necesitan analizar y generar contenido visual). El objetivo a largo plazo, según Dai, va más allá de "ver" — es construir un modelo que use la comprensión visual para elegir acciones, incluyendo el control directo de robots. "Queremos construir, el próximo año, el mejor modelo de razonamiento visual del mundo", dijo.
Si la comunidad de IA va a abrazar al Glimpse como un paso necesario hacia una visión más genuina del mundo, o si el enfoque del "borrador visual" va a permanecer como una especialidad para casos donde la precisión visual es crítica, todavía está por verse. Lo innegable es que la Elorian demostró que el modelo puede entrenarse de manera eficiente — unas pocas cientos de GPUs, equipo pequeño, precio competitivo — contra los sistemas multimodales más caros del mercado. Si los resultados auto-reportados se confirman en evaluaciones independientes, el Glimpse podría ser la primera señal de que el próximo salto en los modelos multimodales no vendrá de más parámetros, sino de una arquitectura más honesta sobre cómo la IA debería realmente ver.
Fuentes: TechCrunch, Fast Company, Explainx
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
