Glimpse: la IA que vuelve a mirar la foto antes de contestar

¿Cuántas veces te pasó de pedirle a una inteligencia artificial que mire una imagen y te das cuenta de que en realidad la está adivinando? A mí, varias. Por eso la propuesta de Glimpse, un modelo de visión de la compañía Elorian, me llamó la atención: en lugar de mirar la foto una vez y traducirla a palabras para siempre, puede volver sobre sus pasos. Recortar. Rebobinar. Ejecutar código. Medir. Como un perito que revisa la escena del crimen varias veces antes de cerrar el informe.

La mayoría de los modelos multimodales que dominan el mercado, los que están detrás de los chatbots que todos usamos, toman una imagen, la convierten en una secuencia de unidades de texto (los famosos tokens, esas porciones de información que la máquina procesa, como si fueran las palabras de una oración) y razonan solo con eso. Nunca más vuelven al píxel original. Glimpse, en cambio, mantiene lo que la empresa llama un "espacio de trabajo visual": durante el proceso de respuesta puede recortar una zona puntual del gráfico, revisar fotogramas a mayor velocidad en un video o correr código para comparar y medir lo que observa.

¿Quién está detrás y por qué debería importarnos?

El fundador de Elorian es Andrew Dai, un ex investigador de Google DeepMind, la división de inteligencia artificial de Google. Su diagnóstico es simple: los modelos de lenguaje mejoraron mucho en matemática, programación y física, pero la comprensión visual quedó varios escalones atrás. Glimpse apunta a cerrar esa brecha sin quemar millones en placas de video. La empresa entrenó el sistema con un equipo chico y unos pocos cientos de chips especializados, partiendo de una base de código abierto, es decir, un modelo cuyo código cualquiera puede ver, modificar y reutilizar. Nada de los presupuestos siderales que manejan OpenAI, Anthropic o Google.

“Los modelos de lenguaje alcanzaron un nivel razonable en matemáticas, programación y física, pero la comprensión visual quedó rezagada frente a esas otras capacidades.”Andrew Dai, fundador de Elorian

¿Qué dice la letra chica de los números?

¿Quién lo va a usar y desde cuándo?

El modelo está disponible desde el 16 de octubre a través de una API, una interfaz de programación que permite conectar el sistema con otras aplicaciones, y de un chat con lista de espera. Elorian lo presenta como una vista previa de investigación. Los primeros clientes que la compañía identificó son estudios de robótica, laboratorios científicos, empresas de medios y estudios de videojuegos, todos rubros que viven ahogados en volúmenes de imágenes y video. Dai ya marcó la meta para el año que viene: construir el modelo de razonamiento visual con mejor desempeño en cada prueba comparativa disponible para esa categoría. Ambicioso, claro. Veremos.