Glimpse: el modelo argentino que recorta, mide y vuelve a mirar la imagen antes de responder

En el ecosistema de la inteligencia artificial conviven modelos que ven, leen y escriben, pero casi todos lo hacen de la misma manera: miran una imagen, la traducen a una secuencia de palabras y, a partir de ahí, razonan como si la foto ya no estuviera. Un equipo chico, con pocos recursos de cómputo, acaba de presentar una alternativa que rompe con esa lógica: puede volver sobre la imagen original, recortarla, examinar fotogramas puntuales de un video o escribir código para medir lo que observa antes de dar una respuesta.

El sistema se llama Glimpse y fue desarrollado por Elorian, una compañía fundada por Andrew Dai, ex investigador de Google DeepMind. La empresa lo presentó como una vista previa de investigación disponible desde el 16 de octubre a través de una API y un chat con lista de espera, con foco en estudios de robótica, laboratorios científicos, medios y videojuegos, sectores que trabajan a diario con grandes volúmenes de imágenes y video.

Un espacio de trabajo, no solo una traducción

Dai explicó que los modelos de lenguaje ya alcanzan un nivel razonable en matemática, programación y física, pero que la comprensión visual quedó varios escalones atrás. Para achicar esa brecha, Glimpse introduce lo que Elorian denomina un espacio de trabajo visual: en lugar de tomar la imagen una sola vez y razonar solo con su transcripción textual, el modelo puede volver al material fuente, hacer zoom en una zona específica, avanzar cuadro por cuadro en un video a velocidad alta o ejecutar código para contar objetos, comparar áreas y tomar medidas.

Es la diferencia entre alguien que escucha la descripción de un plano y alguien que tiene el plano desplegado sobre la mesa mientras piensa. El primero trabaja de memoria; el segundo puede verificar, volver sobre una esquina, sacar la lupa y corroborar lo que vio.

Cómo funciona, en la práctica

• Recibe la imagen o el video como entrada, igual que cualquier modelo multimodal.
• En vez de quedarse con una sola descripción textual, mantiene abierta la fuente visual durante todo el razonamiento.
• Cuando necesita más detalle, puede recortar una región concreta, como si acercara una lupa sobre esa parte.
• Si la tarea es un video, salta a fotogramas puntuales y los revisa a mayor velocidad para detectar cambios.
• Si la respuesta exige precisión, escribe y ejecuta código para contar, medir o comparar pixeles, y usa ese resultado como parte de su argumento.

En las pruebas publicadas por la propia empresa, Glimpse supera a GPT-6 Astra en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos, y empata en tareas de razonamiento aplicadas a robótica. Son comparaciones internas, pero el punto que la compañía es el costo: 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. Elorian asegura que eso equivale a un 94% menos que GPT-6 Astra y un 85% menos que Claude Opus 5.5, dos de los sistemas de referencia del sector.

Qué cambia para el usuario común

Para el usuario de a pie, la consecuencia más concreta es el precio. Si una Pyme o un equipo de investigación necesita analizar cientos de gráficos, revisar material audiovisual o automatizar descripciones de imágenes, la diferencia entre pagar unos pocos dólares por millón de tokens y pagar veinte veces más redefine qué proyectos son viables y cuáles no. Además, al apoyarse en una base de código abierto y entrenarse con pocos cientos de chips especializados, Glimpse muestra que se puede competir con los grandes laboratorios sin sus presupuestos millonarios.

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. Por ahora, Glimpse es apenas un primer paso dentro de esa hoja de ruta, pero ya plantea una pregunta incómoda para la industria: si alcanza con recortar, medir y volver a mirar la imagen, ¿por qué los modelos dominantes siguen trabajando solo con la traducción?