Glimpse, la IA que se niega a mirar la imagen una sola vez

A todos nos pasó: le mandamos una foto al chat con IA, le preguntamos cuántas personas hay en la mesa y nos contesta cualquier cosa. Como si hubiera leído el menú en vez de mirar la foto. Bueno, un equipo chico decidió cortar con esa costumbre y armó un modelo que vuelve al archivo visual una y otra vez antes de responder. Se llama Glimpse y es de la empresa Elorian.

Hasta ahora, la mayoría de los modelos multimodales hacen lo siguiente: convierten la imagen en una representación de texto, como si la tradujeran a una lista de palabras, y después razonan solo con esa lista. Nunca más vuelven a mirar la foto original. Es como leer la descripción de un plato en vez de probarlo. Glimpse rompe con esa lógica: durante la respuesta puede recortar una zona puntual de la imagen, revisar fotogramas específicos de un video a otra velocidad o incluso ejecutar código para medir lo que está mirando. Elorian lo bautizó como un espacio de trabajo visual.

Quién está detrás

El fundador es Andrew Dai, ex investigador de Google DeepMind. La frase que eligió para presentar el proyecto es bastante clara: dice que los modelos de lenguaje se volvieron razonables en matemática, programación y física, pero que la comprensión visual quedó varios pasos atrás. Glimpse apunta, justamente, a cerrar esa brecha.

El punto interesante es cómo lo hicieron. Mientras los grandes laboratorios mueven presupuestos de cómputo que parecen PBI de países chicos, Elorian entrenó el modelo con un equipo reducido y unos pocos cientos de chips especializados, partiendo de una base de código abierto. O sea: poca plata, poco fierro y mucho ingenio. Un dato que, honestamente, me da envidia porque yo con poca plata y poco fierro solo logro descomponer el control remoto.

• Supera a GPT-8 en análisis de gráficos científicos, conteo de objetos y descripción de videos cortos.
• Empatía en razonamiento aplicado a robótica.
• Cobra 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida.
• Según la empresa, eso es un 94% más barato que GPT-8 y un 85% más barato que Claude Opus 9.

Para ponerlo en criollo: un token de entrada es cada cachito de información que el modelo recibe, como las palabras y los pedazos de imagen que le mandamos; un token de salida es cada cachito que nos devuelve. Así que cuando la firma dice que cobran 0,60 dólares por millón de tokens de entrada, es como decir que por el precio de un alfajor te deja mirar un millón de pedacitos de foto. No es lo mismo que una cookie con chips, pero la idea es esa.

Quiénes lo van a probar primero

El modelo está disponible desde el 16 de octubre vía una API, que básicamente es una ventanilla para que otros programas lo consulten, y un chat con lista de espera. Elorian lo presenta como una vista previa de investigación, o sea, todavía en pañales. Los primeros clientes que la compañía imagina son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos: todos sectores que manejan montañas de imágenes y video.

El objetivo que se puso Dai para el año que viene es ambicioso: construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible. Habrá que ver si la falta de presupuesto se convierte en creatividad o en un techo. Por ahora, la promesa es atractiva y la cuenta, también.

Consejo del día: si te toca analizar un gráfico complejo o contar cuánta gente hay en una filmación, no te conformes con la primera respuesta del chat. Pedile que mire de nuevo, que recorte la imagen, que ejecute código. Que haga lo que Glimpse hace por defecto: volver a la foto, una y otra vez, hasta entenderla de verdad.