Elorian, la startup de IA de Palo Alto que recaudó una ronda de financiación inicial de $55 millones con una valoración de $300 millones antes de lanzar un producto, publicó su primer modelo el viernes, según informó exclusivamente TechCrunch.
El modelo Glimpse se lanza como una versión preliminar de investigación con acceso a la API, y la interfaz de chat está disponible únicamente para la lista de espera. Por ahora, se trata de una tabla de resultados y una tesis. ¿Qué es la tesis? Los modelos de IA de hoy, por toda su habilidad con lenguaje y código, aún no pueden ver realmente.
La mayoría de los modelos multimodales examinan una imagen una vez, la convierten en tokens y luego razonan sobre ella en texto, como si describieran una foto desde la memoria. Glimpse sigue volviendo al origen. Durante el razonamiento, puede recortar una región, extraer fotogramas específicos de un video o ejecutar código para medir o comparar lo que está observando; este mecanismo es lo que Elorian llama “espacio visual de rasqueteado”. Piense en alguien que pica para ampliar una foto en el teléfono y verificar lo que creía haber visto.
Para Andrew Dai, ex investigador de Google DeepMind y director ejecutivo de Elorian, uno de los signos más claros de que la IA aún no puede ver realmente algo vino durante la noche de juegos.
El año pasado fotografió un juego de mesa que acababa de terminar con amigos y preguntó a una modelo de la frontera quién estaba ganando. No pudo decirlo. Los juegos de mesa “tienen su propio lenguaje visual, su propia iconografía, símbolos”, dijo a TechCrunch. “Para un adulto, es bastante fácil entender lo que está pasando con el mínimo texto, pero estas modelos no pueden intuir qué significan los símbolos”.
“Los humanos pueden mirar los diagramas de IKEA, sin texto, y montar muebles IKEA, ¿verdad? ¿Por qué no pueden hacerlo los modelos de IA?”, dijo.
El enfoque no es completamente nuevo: OpenAI añadió la capacidad de cropar y ampliar durante el razonamiento a sus modelos de serie o en 2025. Pero la propuesta de Elorian es que construyó todo el modelo en torno a esto, de forma económica. La empresa dice que un pequeño equipo entrenó Glimpse con unas cientos de GPUs y que el modelo es considerablemente más pequeño que los sistemas de referencia contra los cuales se compara.
El Glimpse tiene un costo de $0.60 por millón de tokens y $3 por millón de tokens — es más barato que los modelos de nivel medio como Sonnet y Sol, pero más caro que los modelos ligeros como Haiku y Luna.
Pero, según las evaluaciones de Elorian, Glimpse supera incluso a GPT-6 Astra en la razón lógica de gráficos científicos y en la etiquetado de videos en formato corto, obteniendo resultados competitivos en otras tareas de razonamiento visual.
Elorian salió de su estrategia de ocultación hace seis meses con una inversión colead por Striker Venture Partners, Menlo Ventures y Altimeter Capital, con la participación de Nvidia y el científico principal de Google, Jeff Dean.
Los objetivos iniciales son empresas que poseen muchos videos: empresas de robótica, laboratorios científicos, medios y empresas creativas. A largo plazo, Elorian quiere pasar de la visión a la acción. Es decir, construir un modelo de escena para elegir una acción, incluyendo el control directo de robots. El próximo año, Dai dijo que la empresa tiene como objetivo crear “el mejor modelo de razonamiento visual del mundo”, uno que lidere en todos los tests de razonamiento visual.