¿Y si la IA dejara de adivinar y empezara a mirar? Glimpse, el modelo que vuelve a la imagen cada vez que necesita

¿Qué pasa cuando una inteligencia artificial mira una imagen y se olvida de lo que tiene delante? Eso, justamente, es lo que critican desde Elorian, una empresa chica fundada por Andrew Dai, un ex investigador de Google DeepMind que se cansó de esperar a que los modelos de lenguaje entendieran lo que ven.

La mayoría de los modelos multimodales que están dando vueltas, esos sistemas que dicen analizar fotos y videos, en realidad traducen la imagen a tokens (las unidades mínimas de información que maneja un modelo, equivalentes a pedacitos de palabra) y después razonan únicamente con esa traducción. Nunca más vuelven a mirar el original. Es como si el vecino te describiera una vaca por teléfono y vos tuvieras que adivinar si era marrón o negra sin volver a asomarte al campo.

Glosario expresso, tranquera mediante

• LLM (Large Language Model): modelo de lenguaje grande, el motor que está detrás de ChatGPT, Gemini y compañía; funciona prediciendo palabra por palabra.
• Token: pedacito de texto en el que se corta una frase para que el modelo lo procese; una palabra corta puede ser un token, una larga pueden ser dos o tres.
• Multimodal: sistema que entiende más de un tipo de dato, por ejemplo texto e imagen al mismo tiempo, en lugar de solo palabras.
• GPT-6 Astra: modelo multimodal de referencia de OpenAI, el más caro de la comparación.
• Claude Opus 5.5: modelo de Anthropic, otra empresa grande del rubro, que también figura en la lista de precios como rival.
• DeepMind: la división de inteligencia artificial de Google, uno de los laboratorios más grandes del mundo.

Glimpse, el modelo que presentó Elorian, hace otra cosa: mientras está respondiendo, puede volver a la imagen original, recortarla, mirar un fotograma puntual de un video cuadro por cuadro o ejecutar código para medir lo que tiene enfrente. La empresa lo bautizó como espacio de trabajo visual y es, en criollo, la diferencia entre leer el parte meteorológico y asomarse a la ventana.

Según las pruebas que la propia compañía, el sistema supera a GPT-6 Astra en análisis de gráficos científicos (los dibujitos de, papers y estudios), en conteo de objetos y en descripción de videos cortos. Empata, en tanto, en tareas de razonamiento aplicadas a robótica, la disciplina que busca que las máquinas interpreten lo que pasa en el mundo físico.

“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

Ahora, el dato que duele a los billetudos de siempre: 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 asegura 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 pesos y a lo criollo: mientras una empresa chica que necesita analizar miles de gráficos por día podía pensar que esto era un lujo, de repente se vuelve accesible.

El modelo se entrenó con un equipo chico y unos pocos cientos de chips especializados, partiendo de una base de código abierto, muy lejos de los presupuestos siderales que manejan OpenAI, Anthropic o Google. Está disponible desde el 16 de octubre vía API (Application Programming Interface, la puerta de entrada técnica que usan los programadores para conectar sistemas) y a través de un chat con lista de espera, en lo que la compañía llama una vista previa de investigación. Los primeros clientes que tienen en la mira son estudios de robótica, laboratorios científicos, medios y estudios de videojuegos, todos rubros que viven ahogados en imágenes y video.

Dai ya avirtió la próxima parada: el objetivo para el año que viene es construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible. Es una apuesta grande para un equipo chico, pero si los números propios se sostienen, varios van a tener que dejar de mirar para otro lado.