Elorian, a startup de Palo Alto que chamou a atenção ao levantar 55 milhões de dólares em rodada-semente — com um valuation de 300 milhões — antes mesmo de lançar um produto, finalmente apresentou o seu primeiro modelo. Chama-se Glimpse e a proposta é direta: em vez de transformar imagens em tokens de texto e depois raciocinar a partir dessa tradução, o modelo mantém as imagens como referência viva durante todo o processo de raciocínio.
O CEO e cofundador Andrew Dai, ex-pesquisador do Google DeepMind, disse ao TechCrunch que o problema que o Glimpse busca resolver tem uma origem banal demais para ser teoria acadêmica: ele fotografou um jogo de mesa numa noite entre amigos e perguntou a um modelo de IA de última geração quem estava ganhando. O modelo não conseguiu responder. "Cada jogo tem sua própria linguagem visual, sua própria iconografia e seus símbolos", explicou Dai. "Para um adulto, é bastante fácil entender o que está acontecendo com pouco texto, mas esses modelos não conseguem intuir o que os símbolos significam."
A analogia que Dai usa é ainda mais contundente: humanos podem olhar para um diagrama da IKEA sem nenhum texto e montar o móvel. Modelos de IA multimodais atuais falham nesse tipo de tarefa porque convertem a imagem em tokens uma única vez e depois raciocinam a partir dessa representação estática — como alguém que descreve uma fotografia de memória. Se o detalhe importante fica fora do foco inicial, o modelo alucina, erra contagens ou se perde em relações espaciais.
O que o Glimpse faz diferente é o que a própria empresa chama de "visual scratch space" — um espaço de rascunho visual. Durante o raciocínio, o modelo pode recortar uma região específica da imagem, extrair quadros individuais de um vídeo ou executar código para medir e comparar elementos visuais. Não é apenas analisar a imagem de uma vez; é voltar para ela, verificar, confirmar, refinar. A arquitetura inteira foi construida em torno dessa capacidade de revisitar a fonte, não apenas de codificá-la e seguir em frente.
O resultado, segundo avaliações próprias da Elorian, é um modelo que supera o GPT-6 Astra em raciocínio com gráficos científicos e legendagem de vídeos curtos, com resultados competitivos em outras tarefas de raciocínio visual. O preço do modelo é de 0,60 dólar por milhão de tokens de entrada e 3 dólares por milhão de tokens de saída — 94% mais barato que o GPT-6 Astra, que cobra 10 dólares por milhão de tokens de entrada. A Elorian afirma que treinou o Glimpse com algumas centenas de GPUs, em uma equipe pequena, tornando-o substancialmente menor que os sistemas frontier com os quais compete.
A abordagem não é completamente nova. A OpenAI incorporou crop-and-zoom durante o raciocínio em seus modelos da série o já em 2025, e outros sistemas multimodais ganham acesso a ferramentas de medição durante a inferência. O que diferencia a Elorian é que o crop-and-referenciar não é um plugin adicionado a um modelo de linguagem — é o cerne da arquitetura. Cada decisão do modelo, desde o primeiro token até o último, pode consultar a imagem original.
Isso tem implicações profundas para setores que lidam com grandes volumes de dados visuais. A Elorian já mira empresas de robótica (onde a visão é o senso primário de navegação), laboratórios científicos (que interpretam microscopia, imagens de satélite e gráficos complexos) e companhias de mídia e entretenimento (que precisam analisar e gerar conteúdo visual). O objetivo de longo prazo, segundo Dai, vai além de "ver" — é construir um modelo que use a compreensão visual para escolher ações, incluindo o controle direto de robôs. "Queremos construir, no próximo ano, o melhor modelo de raciocínio visual do mundo", disse ele.
A pergunta que fica é se a comunidade de IA vai abraçar o Glimpse como um passo necessário rumo a uma visão mais genuína do mundo, ou se a abordagem do "rascunho visual" vai permanecer como uma especialidade para casos onde a precisão visual é crítica. O que é inegável é que a Elorian provou que o modelo pode ser treinado de forma eficiente — poucas centenas de GPUs, equipe pequena, preço competitivo — contra os sistemas multimodais mais caros do mercado. Se os resultados próprios se confirmarem em avaliações independentes, o Glimpse pode ser o primeiro sinal de que o próximo salto nos modelos multimodais virá não de mais parâmetros, mas de uma arquitetura mais honesta sobre como a IA deveria realmente enxergar.
Fontes: TechCrunch, Fast Company, Explainx
✓ Fontes independentes cruzadas e verificadas antes da publicação
