Elorian, la startup de inteligencia artificial con sede en Palo Alto que recaudó una ronda semilla de 55 millones de dólares con una valoración de 300 millones de dólares antes de lanzar un producto, publicó su primer modelo el viernes. El modelo, llamado Glimpse, está disponible como vista previa de investigación con acceso por API. Por ahora, la interfaz de chat funciona solo por lista de espera.

La propuesta de la compañía se basa en una queja sencilla: los modelos de IA actuales, pese a su habilidad con el lenguaje y el código, todavía tienen dificultades para ver realmente. La mayoría de los modelos multimodales miran una imagen una sola vez, la convierten en tokens y razonan sobre ella en texto, un poco como describir una foto de memoria. Glimpse vuelve constantemente a la fuente. En medio de su razonamiento, puede recortar una región, extraer fotogramas específicos de un video o ejecutar código para medir o comparar lo que está observando. Elorian llama a esto un “espacio de trabajo visual”. Es más o menos el mismo gesto que hace una persona cuando junta los dedos para hacer zoom en una foto del teléfono y comprobar lo que creyó ver.

Andrew Dai, antiguo investigador de Google DeepMind que ahora es director ejecutivo de Elorian, dice que una de las señales más claras del problema apareció durante una noche de juegos. El año pasado fotografió un juego de mesa que acababa de terminar con unos amigos y le preguntó a un modelo de frontera quién iba ganando. No supo responder.

Los juegos de mesa “tienen cada uno su propio lenguaje visual, cada uno su propia iconografía, sus símbolos”, le dijo Dai a TechCrunch. “Para un adulto es bastante fácil entender lo que está pasando con muy poco texto, pero estos modelos no logran intuir qué significan los símbolos”. Señaló otro ejemplo. “Los humanos pueden mirar los diagramas de Ikea, sin texto, y armar un mueble de Ikea, ¿cierto? ¿Por qué no pueden los modelos de IA?”

La técnica de recortar y hacer zoom no es del todo nueva. OpenAI añadió una versión de ella durante el razonamiento a sus modelos de la serie o en 2025. El argumento de Elorian es que construyó todo el modelo alrededor de este enfoque, y lo hizo a bajo costo. La compañía afirma que un equipo pequeño entrenó Glimpse con unas pocas cientas de GPU y que el modelo es considerablemente más pequeño que los sistemas de frontera con los que se compara.

Glimpse cuesta 0,60 dólares por millón de tokens de entrada y 3 dólares por millón de tokens de salida. Esto lo ubica por encima de modelos ligeros como Haiku y Luna en precio, pero por debajo de modelos de nivel medio como Sonnet y Sol. Las evaluaciones de Elorian muestran que Glimpse supera a GPT-6 Astra en razonamiento sobre gráficos científicos y en descripción de videos cortos, con resultados competitivos en otras tareas de razonamiento visual.

La empresa salió del modo sigiloso hace seis meses con una ronda de financiación codirigida por Striker Venture Partners, Menlo Ventures y Altimeter Capital. Nvidia y el científico jefe de Google, Jeff Dean, también participaron. Por ahora, Elorian apunta a empresas que tienen grandes cantidades de video, entre ellas empresas de robótica, laboratorios científicos, compañías de medios y negocios creativos.

Los planes de Elorian a más largo plazo van más allá. La compañía quiere pasar de ver a actuar, construyendo un modelo de una escena y usándolo para elegir una acción. Eso podría incluir el control directo de robots. Dai dijo que Elorian aspira a construir “el mejor modelo de razonamiento visual del mundo” el próximo año, uno que lidere todas las pruebas de razonamiento visual.

This article was written with the assistance of AI.
News Factory APP - agentic news to boost your SEO & AEO.