Elorian lanza Glimpse, un modelo de IA hecho para ver de verdad

Elorian, la empresa emergente de inteligencia artificial (IA) con sede en Palo Alto que recaudó una ronda semilla de USD 55 millones con una valoración de USD 300 millones antes de haber lanzado un producto, presentó el viernes su primer modelo, Glimpse, según supo TechCrunch en exclusiva. El modelo se lanza como vista previa de investigación con acceso por API; la interfaz de chat está disponible solo por lista de espera, así que por ahora la empresa tiene poco más que mostrar que una tabla de resultados y una tesis: que los modelos de IA actuales, pese a todo su dominio del lenguaje y el código, todavía no saben ver de verdad.

La mayoría de los modelos multimodales miran una imagen una sola vez, la convierten en tokens y luego razonan sobre ella en texto, algo así como describir una foto de memoria. Glimpse, en cambio, vuelve una y otra vez a la fuente: en medio del razonamiento, puede recortar una región, extraer fotogramas específicos de un video o ejecutar código para medir o comparar lo que está observando, un mecanismo que Elorian llama “espacio de trabajo visual”, similar a hacer zoom con los dedos en la foto de un teléfono para verificar un detalle. El enfoque no es del todo nuevo —OpenAI incorporó el recorte y zoom durante el razonamiento a sus modelos de la serie o en 2025—, pero Elorian asegura haber construido todo su modelo en torno a esa idea: un equipo pequeño entrenó a Glimpse con algunos cientos de GPU, y el resultado es un sistema sustancialmente más pequeño que los modelos de frontera con los que se compara.

Para el CEO de Elorian, Andrew Dai, exinvestigador de Google DeepMind, la brecha quedó clara el año pasado, cuando fotografió un juego de mesa que acababa de terminar con amigos y le preguntó a un modelo de frontera quién iba ganando: no pudo responder, porque, según le dijo a TechCrunch, cada juego de mesa tiene su propio lenguaje visual e iconografía que un adulto puede interpretar con un mínimo de texto, pero que los modelos no logran intuir. “Los humanos pueden mirar diagramas de Ikea, sin texto, y armar muebles de Ikea, ¿no? ¿Por qué no pueden los modelos de IA?”, dijo.

Glimpse cuesta USD 0.60 por millón de tokens de entrada y USD 3 por millón de tokens de salida: más caro que modelos ligeros como Haiku y Luna, pero más barato que modelos de nivel medio como Sonnet y Sol. Según las propias evaluaciones de Elorian, Glimpse supera incluso a GPT-6 Astra en razonamiento sobre gráficos científicos y en descripción de videos cortos, con resultados competitivos en otras tareas de razonamiento visual. La empresa salió del modo sigiloso hace seis meses con una ronda co-liderada por Striker Venture Partners, Menlo Ventures y Altimeter Capital, con la participación de Nvidia y de Jeff Dean, científico jefe de Google. Sus clientes iniciales son empresas que manejan grandes volúmenes de video —firmas de robótica, laboratorios científicos, medios de comunicación y empresas creativas—, y Dai dijo que la ambición a largo plazo de Elorian es pasar de ver a actuar, construyendo un modelo de la escena que pueda elegir una acción, incluido el control directo de robots. El año próximo, dijo, la empresa aspira a construir el mejor modelo de razonamiento visual disponible, líder en todas las pruebas de esa categoría.

Por qué importa

Glimpse apuesta a que el razonamiento visual, y no la fluidez del lenguaje, es la próxima limitación de lo que los modelos de IA realmente pueden hacer, sobre todo para las industrias intensivas en video, como la robótica y la investigación científica, a las que apunta primero. Si un modelo pequeño y más barato logra superar a los sistemas de frontera en tareas visuales por haber incorporado esa capacidad desde el diseño, eso es una señal de que los modelos especializados y más acotados podrían empezar a erosionar la ventaja de los grandes laboratorios en dominios específicos.