Glimpse: la IA que necesita mirar la foto varias veces para no mandarse una macana

A mí me pasó. Le pedí a una inteligencia artificial que me contara cuántos jugadores había en una foto de un partido de fútbol y me respondió con la cantidad de tortas que había en una mesa de cumpleaños. La imagen, claramente, la había visto una sola vez y de mala gana. Justo de eso se trata Glimpse, el modelo que viene a hacer algo bastante razonable: mirar la imagen varias veces antes de abrir la boca.

La diferencia parece mínima, pero cambia todo. Los modelos multimodales grandes, esos que se usan hoy para analizar fotos y videos, hacen lo siguiente: toman la imagen, la traducen a una secuencia de palabras internas, como si la pasaran a un idioma que la máquina entiende, y después razonan solo con ese texto. Nunca más vuelven a mirar el original. Es como pedirle a alguien que describa una casa solo con la lista de materiales, sin volver a mirarla. Si le preguntás cuántos balcones tiene, se la tiene que arreglar con lo que memorizó.

Un taller visual en lugar de un examen de memoria

Glimpse, creado por la compañía Elorian, hace otra cosa. Los especialistas lo llaman “espacio de trabajo visual”, una traducción casera sería: la IA puede volver a la imagen original cada vez que quiere. Recorta un sector, le amplía el zoom, mira un fotograma puntual de un video, ejecuta un pedacito de código para medir distancias o contar objetos. No se queda con lo que escribió en su primer borrador.

El fundador de Elorian, Andrew Dai, que viene de Google DeepMind, fue bastante claro con el diagnóstico. Dijo, en criollo, que los modelos de lenguaje ya resuelven aceptablemente problemas de matemática, código y física, pero que la comprensión visual quedó varios pasos atrás. Glimpse es el intento de acercar la visión al nivel del resto.

Ahora, el dato que duele en el bolsillo. Usar Glimpse cuesta 0,60 dólares por millón de tokens de entrada, que en lenguaje de almacén serían como las unidades de texto que la IA procesa, y 3 dólares por millón de tokens de salida. La empresa asegura que eso es un 94% más barato que GPT-6 Astra y un 85% más barato que Claude Opus 5.5, el modelo estrella de Anthropic.

Y acá viene el detalle que me llamó la atención, y también me genera algo de sana envidia. El equipo de Elorian es chico y entrenó al modelo con apenas unos pocos cientos de chips especializados, los procesadores de alta potencia pensados para entrenar inteligencias artificiales, partiendo de una base de código abierto. Nada que ver con los presupuestos siderales que manejan OpenAI, Google o Anthropic. Es el típico ejemplo del que llega a la fiesta en bicicleta y termina siendo el más puntual.

“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

El servicio está al aire desde el 16 de octubre a través de una API, que es la puerta de entrada técnica para conectar la IA con otros programas, y de un chat con lista de espera. Lo llaman “vista previa de investigación”, una forma elegante de decir que todavía están ajustando tornillos. Los primeros clientes que tienen en la mira son estudios de robótica, laboratorios científicos, medios de comunicación y estudios de videojuegos, todos rubros que viven inundados de imágenes y videos.

Dai ya marcó la hoja de ruta: el objetivo para el año que viene es quedarse con el puesto número uno en cada prueba comparativa de razonamiento visual que exista. Ambicioso, sí. Pero si siguen trabajando así, con pocos recursos y muchas ganas, mirá que no van a ser los últimos en llegar.

Consejo del día para el que llegó hasta acá: si vas a usar una IA para analizar una imagen importante, no te conformes con la primera respuesta. Preguntale de nuevo, pedile que te detalle una zona, que cuente otra vez. Hoy, Glimpse lo hace sola. El resto, todavía está aprendiendo a mirar bien antes de hablar.