Elorian, la startup de IA de Palo Alto que recaudó una ronda inicial de 55 millones de dólares con una valoración de 300 millones de dólares antes de lanzar un producto, lanzó su primer modelo el viernes, según supo en exclusiva TechCrunch.
El modelo, Glimpse, se lanza como una vista previa de la investigación con acceso API y una interfaz de chat. ¿La tesis? Los modelos de IA actuales, a pesar de toda su habilidad con el lenguaje y el código, todavía no pueden ver.
La mayoría de los modelos multimodales miran una imagen una vez, la convierten en tokens y luego razonan sobre ella en texto, como describir una foto de memoria. Glimpse sigue volviendo a la fuente. A mitad de razonamiento, puede recortar una región, extraer fotogramas específicos de un vídeo o ejecutar código para medir o comparar lo que está mirando, un mecanismo que Elorian llama «espacio visual borrador». Piense en alguien que pellizca para hacer zoom en una foto de su teléfono para verificar lo que cree haber visto.
Para el ex investigador de Google DeepMind y director ejecutivo de Elorian, Andrew Dai, una de las señales más claras de que la IA todavía no podía ver se produjo en la noche del juego.
El año pasado fotografió un juego de mesa que acababa de terminar con amigos y le preguntó a una modelo fronteriza quién estaba ganando. No podría decirlo. Los juegos de mesa «cada uno tiene su propio lenguaje visual, cada uno tiene su propia iconografía y símbolos», dijo a TechCrunch. «Para un adulto, es bastante fácil entender lo que sucede con un mínimo de texto, pero estos modelos no son capaces de intuir lo que significan los símbolos».
«Los humanos pueden mirar diagramas de Ikea, sin texto, y ensamblar muebles de Ikea, ¿verdad? ¿Por qué los modelos de IA no pueden?» dijo.
El enfoque no es completamente nuevo (OpenAI agregó recorte y zoom durante el razonamiento a sus modelos de la serie o en 2025), pero el argumento de Elorian es que construyó todo el modelo a su alrededor, a bajo costo. La compañía dice que un pequeño equipo entrenó a Glimpse en unos cientos de GPU y que el modelo es sustancialmente más pequeño que los sistemas fronterizos con los que se compara.
Glimpse cuesta $0,60 por millón de tokens entrantes y $3 por millón de tokens salientes: más barato que los modelos de nivel medio como Sonnet y Sol, pero más caro que los modelos livianos como Haiku y Luna.
Pero según las evaluaciones de Elorian, Glimpse supera incluso al GPT-6 Astra en razonamiento de gráficos científicos y subtítulos de vídeos de formato corto, con resultados competitivos en otras tareas de razonamiento visual.
Elorian salió del sigilo hace seis meses con una ronda codirigida por Striker Venture Partners, Menlo Ventures y Altimeter Capital, con la participación de Nvidia y el científico jefe de Google, Jeff Dean.
Los objetivos iniciales son empresas que ven muchos vídeos: empresas de robótica, laboratorios científicos, medios de comunicación y empresas creativas. A largo plazo, Elorian quiere pasar del ver al hacer. Eso significa construir un modelo de una escena usándolo para elegir una acción, incluido el control directo de robots. El año que viene, dijo Dai, la compañía pretende construir «el mejor modelo de razonamiento visual del mundo», uno que lidere todas las pruebas de razonamiento visual.
Cuando compra a través de enlaces en nuestros artículos, podemos ganar una pequeña comisión. Esto no afecta nuestra independencia editorial.