La mayoría de los modelos multimodales actuales toman una imagen, la traducen a unidades de texto y luego razonan exclusivamente con esa representación, sin volver a consultar la fuente visual. Glimpse trabaja de otra forma: durante el proceso de respuesta puede volver al material original, recortar zonas específicas, revisar fotogramas puntuales de un video a mayor velocidad o ejecutar código para comparar y medir lo que ve. Elorian llama a ese mecanismo "espacio de trabajo visual".

Andrew Dai, fundador de la compañía y ex investigador de Google DeepMind, sostuvo que los modelos de lenguaje alcanzaron un nivel razonable en matemáticas, programación y física, pero que la comprensión visual quedó rezagada frente a esas otras capacidades. Glimpse apunta a cerrar esa brecha.

Según las pruebas realizadas por la propia empresa, el modelo supera a GPT-6 Astra en el análisis de gráficos científicos, el conteo de objetos y la descripción de videos cortos, y empata en tareas de razonamiento aplicado a robótica.

El precio de uso es de 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. Elorian afirma que eso representa un costo un 94% menor al de GPT-6 Astra y un 85% menor al de Claude Opus 5.5. La empresa entrenó el modelo con un equipo reducido y unos pocos cientos de chips especializados, partiendo de una base de código abierto, muy por debajo de los presupuestos de cómputo que manejan los grandes laboratorios del sector.

El modelo está disponible desde el 16 de octubre a través de una interfaz de API y un chat con lista de espera, en lo que Elorian define como una vista previa de investigación. Los primeros clientes objetivo que la compañía identificó son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, todos sectores que gestionan grandes volúmenes de imágenes y video.

Dai señaló 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. La empresa describió a Glimpse como un primer paso dentro de un plan más amplio que contempla reconstrucción de escenas y control directo de robots.

La compañía, con sede en Palo Alto, California, cerró una ronda semilla de 55 millones de dólares con una valuación de 300 millones en abril de este año, antes de presentar ningún producto.

¿Qué aplicaciones prácticas le encontrarías a un sistema que puede analizar imágenes y videos con este nivel de detalle?