Elorian, una startup de inteligencia artificial con sede en Palo Alto, ha lanzado su primer modelo, Glimpse, como una versión de investigación accesible mediante una interfaz de programación de aplicaciones y una interfaz de chat. El modelo se centra en razonar basándose en el propio contenido visual, en lugar de convertir una imagen o un vídeo una sola vez en tokens y procesarlo después mediante una descripción textual estática.
Elorian afirma que Glimpse puede volver a la fuente visual más de una vez durante el proceso de razonamiento, recortar una parte específica de la imagen, extraer determinados fotogramas del vídeo o ejecutar código para medir y comparar elementos. La empresa denomina a este mecanismo «espacio de borrador visual», diseñado para permitir que el modelo compruebe detalles que el análisis inicial podría pasar por alto.
De la descripción a la inspección iterativa
Andrew Dai, director ejecutivo de Elorian y antiguo investigador de Google DeepMind, considera que la incapacidad de los modelos actuales para comprender símbolos y relaciones visuales se manifiesta incluso en situaciones cotidianas. Explicó que probó un modelo avanzado con una imagen de un juego de mesa y le preguntó qué jugador iba por delante, pero el modelo no pudo interpretar visualmente los símbolos y las reglas del juego. Dai compara esto con la capacidad humana para comprender diagramas de montaje de muebles que contienen poco texto.
La idea no es completamente nueva: OpenAI añadió a sus modelos de la serie o un mecanismo de recorte y ampliación durante el razonamiento en 2025. Sin embargo, Elorian afirma que Glimpse se construyó desde el principio en torno a este enfoque, manteniendo un coste de entrenamiento inferior. Según la empresa, el modelo fue entrenado por un equipo pequeño utilizando unos cientos de unidades de procesamiento gráfico, y su tamaño también es mucho menor que el de los sistemas líderes con los que se comparó.
Rendimiento y coste
Según las evaluaciones de Elorian, Glimpse supera a GPT-6 Astra en el razonamiento sobre diagramas científicos y la descripción de vídeos cortos, y obtiene resultados competitivos en otras tareas de razonamiento visual. Estos resultados proceden de las propias evaluaciones de la empresa, y la fuente no proporcionó detalles independientes sobre los conjuntos de prueba ni la metodología de comparación, por lo que por sí solos no bastan para demostrar una superioridad general sobre todos los modelos.
Glimpse cuesta aproximadamente 0,60 dólares por cada millón de tokens de entrada y 3 dólares por cada millón de tokens de salida. Esto lo sitúa, según la comparación incluida, por debajo de modelos intermedios como Sonnet y Sol, pero por encima de modelos ligeros como Haiku y Luna.
¿Qué cambia en la práctica?
En una primera fase, Elorian se dirige a empresas que trabajan con grandes cantidades de vídeo, incluidas empresas de robótica, laboratorios científicos e instituciones de medios y creativas. El valor práctico del modelo, si las pruebas independientes confirman las afirmaciones de la empresa, consistiría en reducir la dependencia de la descripción inicial de la imagen y permitir una inspección más detallada de gráficos, símbolos y secuencias de acontecimientos dentro del vídeo.
Elorian recaudó una ronda semilla de 55 millones de dólares con una valoración de 300 millones de dólares antes del lanzamiento de su producto. En la ronda participaron Striker Venture Partners, Menlo Ventures y Altimeter Capital, además de Nvidia y Jeff Dean, científico jefe de Google. A más largo plazo, la empresa afirma que quiere pasar de la percepción a la acción mediante la construcción de un modelo de la escena y su uso para seleccionar una acción, incluido el control directo de robots. Dai también anunció que la empresa se propone construir el próximo año «el mejor modelo de razonamiento visual del mundo», un objetivo ambicioso que sigue sujeto a resultados y pruebas cuyos detalles no se han presentado por completo.