Glimpse, el modelo de visión artificial que recorta, mide y revisa cuadros antes de responder

Un equipo pequeño, con recursos de cómputo muy inferiores a los de los grandes laboratorios de inteligencia artificial, desarrolló un modelo de visión por computadora que trabaja de una manera distinta a la de los sistemas dominantes: en lugar de traducir una imagen a texto y razonar únicamente sobre esa representación, puede recortar zonas específicas, revisar fotogramas puntuales de un video a mayor velocidad y ejecutar código para comparar y medir lo que observa. La compañía detrás del proyecto, Elorian, denomina a ese mecanismo espacio de trabajo visual.

Una forma distinta de mirar

La mayoría de los modelos multimodales actuales, es decir, aquellos que procesan imágenes además de texto, toman una imagen, la convierten en unidades de texto llamadas tokens (fragmentos en los que se divide la información para que el modelo la procese) y razonan solo con esa versión, sin volver a la fuente visual. Glimpse opera de otro modo: durante el proceso de respuesta puede regresar al material original para examinarlo con más detalle, una capacidad que Andrew Dai, fundador de Elorian e investigador que trabajó previamente en Google DeepMind, consideró clave para reducir la brecha que todavía separa a la comprensión visual de los avances logrados en matemática, programación y física.

“Los modelos de lenguaje alcanzaron un nivel razonable en matemáticas, programación y física, pero la comprensión visual quedó rezagada frente a esas otras capacidades. Glimpse apunta a cerrar esa brecha.”Andrew Dai, fundador de Elorian y ex investigador de Google DeepMind

• Análisis de gráficos científicos.
• Conteo de objetos en imágenes.
• Descripción de videos cortos.
• Razonamiento aplicado a tareas de robótica, donde empató con los sistemas de referencia.

Rendimiento y costo, según la empresa

De acuerdo con las pruebas presentadas por la propia compañía, Glimpse superó al modelo GPT-6 Astra en el análisis de gráficos científicos, en el conteo de objetos y en la descripción de videos cortos, y empató en tareas de razonamiento aplicado a la robótica. Elorian informó además que el precio de uso es de 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida, una tarifa que la empresa describió como un 94 por ciento menor a la de GPT-6 Astra y un 85 por ciento menor a la de Claude Opus 5.5. El modelo fue entrenado por un equipo reducido con unos pocos cientos de chips especializados, partiendo de una base de código abierto, muy por debajo de los presupuestos de cómputo que manejan los principales laboratorios del sector.

El sistema está disponible desde el 16 de octubre a través de una interfaz de programación (API) y un chat con lista de espera, en lo que Elorian definió como una vista previa de investigación. La compañía identificó como primeros clientes objetivo a estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, sectores que gestionan grandes volúmenes de imágenes y video. Dai sostuvo que el objetivo para el próximo año es construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría, y describió a Glimpse como un primer paso dentro de esa estrategia.