Glimpse: el modelo argentino que vuelve a mirar la imagen cada vez que lo necesita

Un equipo chico, con pocos recursos de cómputo, acaba de meterle ruido al negocio de los modelos multimodales. Se llama Glimpse, lo desarrolla la compañía Elorian y opera de una manera que rompe con la costumbre de la industria: en lugar de mirar la imagen una sola vez y traducirla a palabras para siempre, puede volver sobre la foto original, recortar un sector, frenar el video cuadro por cuadro y hasta escribir código para medir lo que está viendo antes de contestar. Un ejemplo de la casa: si le pasás el recibo de la tarjeta con un cargo raro, no se conforma con leer el total; puede recortar el renglón sospechoso, comparar importes con otro mes y devolverte una cifra exacta.

Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind, sostuvo que los modelos de lenguaje ya muestran un nivel razonable en matemáticas, programación y física, pero que la comprensión visual quedó varios escalones atrás. Para Dai, la explicación es casi doméstica: al modelo le cuentan el cuadro en vez de mostrárselo, y después le piden que razune como si lo hubiera visto. Glimpse apunta a revertir eso con lo que la empresa bautizó como espacio de trabajo visual, una idea simple: la imagen deja de ser un insumo descartable y pasa a ser un archivo al que el sistema puede volver cuando lo necesite.

Qué hace distinto

La mayoría de los modelos multimodales toman la imagen, la descomponen en unidades parecidas a palabras y razonan solo con esa transcripción, sin volver a la fuente original. Glimpse trabaja distinto durante el proceso de respuesta: puede recortar zonas puntuales, revisar fotogramas de un video a mayor velocidad o ejecutar código para comparar y medir lo que ve. En pruebas propias, según la compañía, el modelo supera a GPT-6 Astra en el análisis de gráficos científicos, en el conteo de objetos y en la descripción de videos cortos, y empata en tareas de razonamiento aplicado a robótica.

Costo y disponibilidad

El precio de uso es de 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. Elorian afirma que eso representa un costo un 94% menor al de GPT-6 Astra y un 85% menor al de Claude Opus 5.5, los dos sistemas que la empresa tomó como referencia. El modelo se entrenó con un equipo reducido y unos pocos cientos de chips especializados, partiendo de una base de código abierto, una escala muy por debajo de los presupuestos de cómputo que manejan los grandes laboratorios. Glimpse está disponible desde el 16 de octubre a través de una interfaz de API y un chat con lista de espera, en lo que la compañía define como una vista previa de investigación.

“Los modelos de lenguaje alcanzaron un nivel razonable en matemáticas, programación y física, pero la comprensión visual quedó rezagada frente a esas otras capacidades.”Andrew Dai, fundador de Elorian

• Robótica: para que un robot revise fotogramas de una cámara industrial y cuente piezas defectuosas sin traducir todo a texto.
• Laboratorios científicos: análisis de gráficos y placas de rayos con recortes puntuales y mediciones automáticas.
• Empresas de medios: descripción y verificación de imágenes y videos con menor costo por consulta.
• Estudios de videojuegos: revisión cuadro por cuadro de secuencias animadas a una fracción del precio de los modelos grandes.

Lo que todavía no se sabe

Elorian describió a Glimpse como un primer paso dentro de un plan más largo: para el próximo año, la compañía se propuso construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible de esa categoría. Faltan dos datos clave: cómo se comporta el sistema fuera de las pruebas de la propia empresa, ya que los resultados fueron difundidos por Elorian sin auditoría externa, y qué tan bien escala ese enfoque cuando los videos dejan de ser cortos y los gráficos dejan de ser prolijos. Tampoco está claro cuánto margen hay para sostener la diferencia de precio si los grandes laboratorios deciden copiar el mecanismo de volver a la imagen en mitad del razonamiento.