Elorian, la startup de inteligencia artificial con sede en Palo Alto, ha presentado Glimpse, su primer modelo de IA diseñado para razonar con imágenes. La compañía, que recaudó 55 millones de dólares en una ronda semilla valorada en 300 millones de dólares, ha revelado el modelo a través de un acceso de API y una interfaz de chat en lista de espera, según informó TechCrunch. El objetivo central de Glimpse es superar la limitación de los modelos actuales, que suelen convertir las imágenes en tokens de texto y luego razonar sobre ellas, limitándose a describir la escena desde la memoria. Glimpse, en cambio, utiliza un mecanismo llamado 'espacio de arrastre visual' para volver a la fuente original: puede recortar regiones, extraer fotogramas específicos de videos o ejecutar código para medir y comparar lo que observa, similar a cómo un usuario zooma en una foto para verificar detalles.
Andrew Dai, CEO de Elorian y exinvestigador de Google DeepMind, argumenta que los modelos actuales no comprenden el lenguaje visual de juegos de mesa o diagramas técnicos, como los de IKEA, sin ayuda textual. Aunque OpenAI introdujo funciones de recorte y zoom en sus modelos o-series en 2025, Elorian sostiene que ha construido todo el modelo alrededor de esta capacidad de forma económica. Glimpse se entrenó con pocas cientos de GPUs por un equipo reducido y es significativamente más pequeño que los sistemas de frontera. En cuanto a costes, el modelo cuesta 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida, posicionándose entre modelos intermedios como Sonnet y Sol, y modelos ligeros como Haiku y Luna. Según las evaluaciones de Elorian, Glimpse supera a GPT-6 Astra en razonamiento de gráficos científicos y etiquetado de videos cortos. La empresa, que salió de modo sigilo seis meses atrás con inversión de Striker Venture Partners, Menlo Ventures, Altimeter Capital, Nvidia y Jeff Dean, busca inicialmente clientes en robótica, laboratorios científicos y medios. A largo plazo, Elorian aspira a pasar de la visión a la acción, controlando robots directamente, y planea lanzar el 'mejor modelo de razonamiento visual del mundo' el próximo año.