Por el equipo de Smili Phone
El viernes 16 de octubre, una startup de Palo Alto llamada Elorian lanzó su primer modelo de IA, y tiene un truco inusual. El modelo, llamado Glimpse, está diseñado para mirar las imágenes de verdad en vez de echar un vistazo y describirlas de memoria. Se lanzó como una vista previa de investigación con una API y una interfaz de chat, y su enfoque de la visión es lo bastante distinto como para entenderlo.
La IA actual describe las fotos de memoria
Este es el problema que Glimpse intenta resolver. La mayoría de los modelos de IA multimodales miran una imagen una vez, la convierten en tokens y luego razonan sobre ella con palabras, como describir una foto de memoria. Eso funciona bien para preguntas simples, pero falla con los detalles finos.
El director de Elorian, Andrew Dai, ex investigador de Google DeepMind, lo descubrió en una noche de juegos. Fotografió un juego de mesa que acababa de terminar con amigos y le preguntó a un modelo de punta quién iba ganando. No supo decirlo. Cada juego de mesa tiene su propio lenguaje visual de iconos y símbolos, le dijo a TechCrunch, y los modelos no pueden intuir lo que esos símbolos significan como lo hacen las personas. Su analogía: los humanos pueden mirar los diagramas sin texto de Ikea y armar un mueble, entonces por qué la IA no puede hacer lo mismo.
El espacio visual de trabajo
Glimpse vuelve a la imagen original mientras piensa. En medio del razonamiento, puede recortar una región para verla más de cerca, extraer fotogramas específicos de un video o ejecutar código para medir o comparar lo que ve. Elorian llama a esto un espacio visual de trabajo. La comparación más cercana en la vida diaria es ampliar una foto del teléfono con los dedos para verificar lo que creíste ver.
La idea no es del todo nueva. OpenAI agregó el recorte y la ampliación durante el razonamiento a sus modelos de la serie o en 2025. La propuesta de Elorian es que construyó todo su modelo alrededor de esa técnica, y lo hizo barato: un equipo pequeño entrenó a Glimpse con unos pocos cientos de GPU, mucho menos cómputo que los sistemas de punta con los que se compara.
Lo que puede hacer
Según las propias evaluaciones de Elorian, Glimpse supera incluso a GPT-6 Astra en razonamiento sobre gráficos científicos y en subtitulado de videos cortos, con resultados competitivos en otras pruebas de razonamiento visual. Son pruebas de la propia empresa, así que tómalas con la cautela habitual, pero la dirección es clara.
Los primeros clientes que busca Elorian son empresas con montañas de video: firmas de robótica, laboratorios científicos, medios y empresas creativas. A más largo plazo, la meta pasa de ver a actuar, construir un modelo de una escena y usarlo para elegir una acción, incluido controlar robots directamente. El año que viene, dice Dai, el objetivo es el mejor modelo de razonamiento visual del mundo.
Por qué la cámara de tu teléfono es la verdadera historia
Esta es la parte que nos importa al resto. Cada truco visual de la IA, desde la búsqueda de fotos en tu teléfono hasta las apps que identifican plantas y traducen letreros, empieza con un lente de cámara. Un lente rayado o roto le da a la IA una imagen borrosa y con destellos, y ningún software inteligente arregla del todo una mala foto desde el origen. Lo vemos en el taller aquí en Escondido: fotos que se volvieron suaves o turbias justo después de una caída, aunque la pantalla se vea bien.
A medida que la IA aprende a ver de verdad, la calidad de los ojos importa más, no menos. Mantén el lente limpio, usa una funda que proteja el módulo de la cámara, y si el vidrio de tu cámara está roto, arréglalo antes de que te cueste las fotos y las funciones de IA que dependen de ellas.
Relacionado: usar IA en tu propia Mac · los modelos de IA de Google para investigadores europeos
