Glimpse, la inteligencia artificial que vuelve a mirar la imagen cada vez que la necesita

El problema es simple de explicar y, sin embargo, molesto para cualquier persona que trabaja con imágenes: la mayoría de los modelos de inteligencia artificial miran una foto una sola vez, la traducen a palabras y después razonan solo con ese resumen. Como si un perito firmara un informe a partir de lo que le dictaron por teléfono, sin volver a abrir el expediente. Un equipo chico, con pocos recursos de cómputo, decidió romper con esa lógica y presentó a Glimpse, un sistema de visión artificial que puede volver a la imagen original cada vez que lo necesita, recortarla, revisar fotogramas puntuales de un video y hasta ejecutar código para contar o medir lo que observa.

Un espacio de trabajo, no un resumen

La compañía detrás del proyecto se llama Elorian y la dirige Andrew Dai, un ex investigador de Google DeepMind. Dai sostuvo que los modelos de lenguaje ya alcanzan un nivel razonable en matemática, programación y física, pero que la comprensión visual quedó varios escalones atrás. Glimpse, explicó, apunta a cerrar esa brecha con una idea central: en vez de convertir toda la imagen en una descripción fija y quedarse con eso, mantiene un espacio de trabajo visual al que puede volver mientras piensa. Es la diferencia entre anotar la receta de un guiso y poder volver a la cocina a probar la salsa.

En la práctica, eso significa que el modelo puede hacer algo tan básico como pedirle que cuente cuántas personas hay en una foto, tomarse un instante para cortar la imagen en zonas y verificar una por una antes de responder. O analizar un gráfico científico con la misma paciencia: si el sistema no está seguro de una coordenada, vuelve al cuadro y la mide con código.

Cómo funciona, en criollo

La mayoría de los modelos multimodales funcionan como un traductor simultáneo: reciben la imagen, la pasan a una secuencia de unidades de texto que representan partes del cuadro y después razonan únicamente con esa transcripción. Glimpse, en cambio, conserva el material original a mano. Cuando tiene que responder, puede recortarlo, ampliar una zona, saltar a otro fotograma de un video o escribir un pequeño programa que compare píxeles o mida distancias. Recién después arma la respuesta. Es como la diferencia entre estudiar para un examen con los apuntes cerrados de memoria y poder consultar el libro cada vez que hace falta.

Rendimiento y precio, según la propia empresa

Elorian difundió sus propias pruebas, que es donde hay que poner el asterisco de cautela porque no fueron verificadas por terceros independientes. En esos tests, Glimpse supera a GPT-6 Astra en tres terrenos: análisis de gráficos científicos, conteo de objetos y descripción de videos cortos, y empata en tareas de razonamiento aplicado a robótica. La diferencia con los gigantes del sector no es menor: la empresa entrenó el modelo con un equipo reducido y unos pocos cientos de chips especializados, partiendo de una base de código abierto, muy lejos de los presupuestos de cómputo que manejan OpenAI o Anthropic.

Y acá viene el dato que más llamó la atención: el costo de uso. Glimpse cobra 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. Elorian afirma que eso es un 94 por ciento más barato que GPT-6 Astra y un 85 por ciento más barato que Claude Opus 5.5. Para dimensionarlo en lenguaje cotidiano: usar Glimpse para analizar un volumen grande de imágenes cuesta menos que cargar nafta para ir y volver de La Plata.

Quiénes lo están probando y qué falta

El modelo está disponible desde el 16 de octubre a través de una API y de un chat con lista de espera, en lo que la empresa describe como una vista previa de investigación. Los primeros clientes objetivo que la compañía identificó son laboratorios de robótica, centros científicos, empresas de medios y estudios de videojuegos, todos rubros que procesan montañas de imágenes y video. Dai señaló que la meta para el año que viene es construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría, una manera elegante de decir que quieren destronar a los modelos más caros y pesados del mercado.

Todavía falta camino. Es un lanzamiento en etapa experimental, con pruebas a puertas cerradas y sin auditorías externas publicadas. Habrá que esperar benchmarks independientes y casos reales de uso para saber si la promesa de mirar una imagen varias veces antes de responder se traduce en un salto genuino. Por ahora, la apuesta es ambiciosa: demostrar que se puede competir con los gigantes sin gastar como ellos.