Por Canuto  

La startup Elorian lanzó Glimpse, un modelo que puede volver sobre imágenes y videos durante su razonamiento, recortar detalles y ejecutar código para medir lo que observa. La empresa busca competir en tareas visuales con un sistema que, según sus propias evaluaciones, supera a GPT-6 Astra en algunos desafíos.
***

  • Elorian presentó Glimpse como una vista previa de investigación accesible por API; su interfaz de chat funciona por lista de espera.
  • La compañía afirma que el modelo supera a GPT-6 Astra en razonamiento sobre gráficos científicos y descripción de videos cortos.
  • Elorian fija tarifas de USD $0,60 por millón de tokens de entrada y USD $3 por millón de tokens de salida.

Elorian apuesta por una IA que vuelve a mirar las imágenes para razonar

La startup de inteligencia artificial Elorian presentó Glimpse, un modelo diseñado para revisar imágenes y videos varias veces mientras resuelve una tarea, en lugar de limitarse a describir lo que detectó en una primera lectura. La compañía lo ofrece como una vista previa de investigación mediante una API, mientras que su interfaz de chat permanece disponible solo para personas inscritas en una lista de espera.

La propuesta apunta a una limitación que el director ejecutivo de Elorian, Andrew Dai, describe como una dificultad de los modelos actuales para interpretar información visual con suficiente profundidad. La startup sostiene que Glimpse puede recortar regiones, seleccionar fotogramas y ejecutar código para medir o comparar elementos observados, una estrategia que denomina «espacio de borrador visual».

Una IA que vuelve sobre la imagen

Muchos sistemas multimodales convierten una imagen en tokens y después trabajan sobre esa representación mediante razonamiento en texto. Elorian plantea que ese proceso se parece a describir una fotografía de memoria, porque el modelo no necesariamente vuelve a consultar la fuente visual cuando necesita verificar un detalle o reconsiderar una interpretación.

Glimpse, en cambio, puede regresar a la imagen durante el razonamiento y acercarse a una zona concreta, extraer fotogramas de un video o usar código para realizar mediciones y comparaciones. La empresa compara ese método con el gesto de ampliar una foto en un teléfono para confirmar qué aparece en ella, aunque lo presenta como una capacidad integrada en el proceso del modelo y no solo como una función de visualización.

La idea no surgió de la nada: OpenAI incorporó funciones de recorte y acercamiento durante el razonamiento en modelos de la serie o en 2025. La diferencia que Elorian atribuye a su propuesta es haber construido Glimpse alrededor de esa interacción recurrente con la fuente visual y hacerlo, según la compañía, a un costo reducido.

El modelo aparece en un momento en que las empresas de IA compiten por interpretar más que texto y código, pero las capacidades de Glimpse todavía deben evaluarse con cautela. Su acceso inicial está limitado a una vista de investigación por API y a una interfaz de chat por lista de espera, de modo que la información divulgada incluye la tesis de Elorian y los resultados de sus propias pruebas, no una validación independiente descrita en el anuncio.

Los símbolos que la IA no logra interpretar

Andrew Dai, exinvestigador de Google DeepMind y director ejecutivo de Elorian, contó que una partida de juegos de mesa le hizo notar una de esas limitaciones. El año pasado fotografió un juego que acababa de terminar con sus amigos y preguntó a un modelo de frontera quién iba ganando, pero el sistema no pudo responder correctamente.

Dai explicó que cada juego tiene su propio lenguaje visual, con iconos y símbolos que una persona puede interpretar incluso cuando hay poco texto explicativo. Según su planteamiento, a los modelos les cuesta inferir qué significan esas marcas y cómo se relacionan con el estado de la partida, aun cuando el contexto resulte claro para un adulto.

El ejecutivo también comparó ese desafío con los diagramas de montaje de IKEA, que permiten armar muebles sin depender de instrucciones escritas extensas. Su pregunta, formulada a TechCrunch, fue por qué los modelos de IA no pueden hacer lo mismo; la anécdota resume el problema que Glimpse intenta abordar, pero no demuestra por sí sola que el modelo ya lo resuelva en todos los casos.

La lectura de una imagen exige reconocer elementos, entender relaciones entre ellos y decidir qué información visual conviene revisar antes de responder. La técnica de volver a la fuente busca darle al sistema oportunidades para comprobar su primera interpretación, aunque Elorian no presentó en la información disponible una demostración detallada del caso del juego de mesa ni afirmó que haya eliminado por completo ese tipo de errores.

Costos, pruebas y ambiciones de Elorian

Elorian afirma que un equipo pequeño entrenó Glimpse con unos cientos de unidades de procesamiento gráfico y que el modelo es sustancialmente más pequeño que los sistemas de frontera con los que lo compara. La empresa cobra USD $0,60 por millón de tokens de entrada y USD $3 por millón de tokens de salida, precios que sitúa por debajo de modelos de nivel medio como Sonnet y Sol, pero por encima de opciones ligeras como Haiku y Luna.

En las evaluaciones que divulgó la propia startup, Glimpse supera a GPT-6 Astra en razonamiento sobre gráficos científicos y descripción de videos cortos. Elorian también reporta resultados competitivos en otras tareas de razonamiento visual, una afirmación que debe entenderse como la comparación comunicada por la empresa y no como una clasificación independiente de todos los modelos disponibles.

La startup, con sede en Palo Alto, salió del sigilo seis meses antes del lanzamiento con una ronda semilla de USD $55 millones y una valoración de USD $300 millones, antes de presentar un producto. La ronda fue coproducida por Striker Venture Partners, Menlo Ventures y Altimeter Capital, y contó además con la participación de Nvidia y Jeff Dean, científico jefe de Google.

Elorian identifica como primeros clientes potenciales a compañías que acumulan grandes volúmenes de video, entre ellas firmas de robótica, laboratorios científicos y empresas de medios y creativas. Ese enfoque conecta la capacidad de examinar fotogramas con tareas donde una descripción general podría ser insuficiente, aunque la información del lanzamiento no detalla contratos, clientes ni ingresos asociados con Glimpse.

A largo plazo, Dai quiere que la tecnología pase de interpretar lo que ve a actuar a partir de una representación de la escena, incluido el control directo de robots. Para el próximo año, dijo, la compañía aspira a construir «el mejor modelo de razonamiento visual del mundo» y liderar todas las pruebas de esa categoría, una meta ambiciosa cuyo avance dependerá de cómo se mida el desempeño y de la respuesta de otros desarrolladores.

El lanzamiento sitúa a Elorian en un terreno donde el tamaño del modelo no es el único argumento: la empresa apuesta por un proceso de razonamiento que vuelve repetidamente a los datos visuales y por costos que presenta como competitivos frente a sistemas de nivel medio. La disponibilidad limitada de Glimpse y el carácter interno de las evaluaciones divulgadas dejan abierta la pregunta central: si esa forma de mirar mejora de manera consistente la precisión en tareas reales.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados