Glimpse: el modelo de visión artificial que vuelve a mirar la imagen antes de responder

Un equipo de pocos investigadores y con recursos de cómputo limitados desarrolló Glimpse, un modelo de visión artificial que opera de manera distinta a los sistemas multimodales que dominan el mercado. En lugar de transformar una imagen en texto y razonar exclusivamente con esa representación textual, la herramienta puede volver al material original durante el proceso de respuesta, recortar zonas específicas, examinar fotogramas puntuales de un video a mayor velocidad o ejecutar código para comparar y medir lo que observa. La compañía detrás del proyecto, Elorian, denominó a ese mecanismo espacio de trabajo visual.

Una diferencia de diseño frente a los modelos dominantes

La mayoría de los modelos multimodales disponibles en la actualidad procesan una imagen, la traducen a unidades de texto o tokens y luego razonan únicamente con esa representación, sin regresar a la fuente visual original. Glimpse rompe con ese esquema: mantiene la posibilidad de consultar el archivo de imagen o video mientras elabora su respuesta. Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, explicó que los modelos de lenguaje alcanzaron un nivel razonable en matemáticas, programación y física, pero que la comprensión visual quedó rezagada frente a esas otras capacidades. El objetivo declarado del proyecto es cerrar esa brecha.

El fundador añadió que el trabajo apunta a construir, durante el próximo año, el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría, aunque la compañía ya describe a Glimpse como un primer paso dentro de esa estrategia.

Resultados reportados y comparativa de precios

• 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 ese mismo modelo en tareas de razonamiento aplicado a robótica.
• Cobra 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida.
• La empresa afirma que ese precio es un 94 por ciento menor al de GPT-6 Astra y un 85 por ciento menor al de Claude Opus 5.5.
• El modelo fue entrenado con un equipo reducido y unos pocos cientos de chips especializados, partiendo de una base de código abierto, muy por debajo de los presupuestos de cómputo de los grandes laboratorios del sector.

El modelo se encuentra disponible desde el 16 de octubre a través de una interfaz de programación de aplicaciones y un chat con lista de espera, en lo que Elorian definió como una vista previa de investigación. Los primeros segmentos de clientes identificados por la compañía incluyen estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, sectores que gestionan grandes volúmenes de imágenes y video.

Dai sostuvo que la comprensión visual quedó rezagada respecto de otras capacidades de los modelos de lenguaje y que Glimpse apunta precisamente a revertir esa tendencia mediante un esquema que permite regresar a la imagen cuantas veces sea necesario durante el razonamiento.

Queda por confirmar, en pruebas independientes y de terceros, si el rendimiento reportado por Elorian en gráficos científicos, conteo de objetos y descripción de videos se mantiene fuera de los benchmarks diseñados por la propia empresa, así como la evolución del modelo durante el próximo año, período en el que la compañía se propuso construir el sistema de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría.