Elorian, startup de IA visual, lanza Glimpse

Elorian, la startup de Palo Alto que levantó US$55M en una ronda semilla a una valoración de US$300M antes de lanzar producto, publicó el viernes su primer modelo: Glimpse. Llega como research preview con acceso por API y una interfaz de chat que solo se abre por lista de espera, así que por ahora lo que hay es una tabla de resultados y una tesis.

La tesis incomoda a todo el sector: los modelos de IA actuales, por buenos que sean con el lenguaje y el código, en realidad no ven.

Para un founder, la pregunta útil no es si Glimpse le gana a tal o cual modelo en una tabla. Es si el costo de que una máquina entienda imágenes —capturas de pantalla, video, gráficos, planos de producto, inventario fotografiado, imágenes médicas— puede dejar de ser un cuello de botella para su producto.

¿Qué es Glimpse y por qué Elorian dice que los modelos no ven?

La mayoría de los modelos multimodales miran una imagen una sola vez, la convierten en tokens y luego razonan sobre ella en texto. Es, en palabras de la compañía, como describir una foto de memoria: todo lo que el modelo sabe de la imagen queda congelado en el momento en que la convirtió en números.

Glimpse hace lo contrario: vuelve a la fuente. A mitad del razonamiento puede recortar una región de la imagen, extraer fotogramas específicos de un video o ejecutar código para medir y comparar lo que está mirando. Elorian llama a ese mecanismo un visual scratch space (espacio de borrador visual).

La analogía de la empresa es simple: es lo que hace alguien cuando pellizca la pantalla del teléfono para ampliar una foto y confirmar lo que creyó ver.

El CEO Andrew Dai, ex investigador de Google DeepMind, llegó a esa conclusión en una noche de juegos. El año pasado fotografió un juego de mesa que acababa de terminar con amigos y le preguntó a un modelo de frontera quién iba ganando. El modelo no supo responder. Los juegos de mesa tienen, dijo Dai, su propio lenguaje visual, su propia iconografía y sus propios símbolos: para un adulto es fácil entender qué está pasando con muy poco texto, pero los modelos no logran intuir qué significan esos símbolos.

Su ejemplo favorito es más cotidiano todavía: los humanos pueden mirar un manual de IKEA, sin una sola palabra, y armar un mueble. La pregunta que Dai le dejó a TechCrunch es por qué un modelo de IA no puede hacer lo mismo.

¿Qué tan nuevo es el enfoque y cuánto cuesta Glimpse?

El recorte y zoom durante el razonamiento no es una idea inédita. OpenAI lo agregó a sus modelos de la serie o en 2025, según la cobertura original del lanzamiento. La apuesta de Elorian es distinta en el alcance: construyó el modelo entero alrededor de esa capacidad, y lo hizo barato.

La empresa afirma que un equipo pequeño entrenó Glimpse con unos pocos cientos de GPU y que el modelo es sustancialmente más chico que los sistemas de frontera contra los que lo compara. Ese detalle es el que debería interesar a un equipo con presupuesto acotado: si un modelo que insiste en mirar de nuevo la imagen se puede entrenar con ese orden de cómputo, la barrera para construir herramientas verticales de visión baja varios escalones.

En precio, Glimpse cuesta US$0,60 por millón de tokens de entrada y US$3 por millón de tokens de salida. Según la comparación publicada por TechCrunch, queda por debajo de modelos de gama media como Sonnet y Sol, pero por encima de modelos livianos como Haiku y Luna. El costo, entonces, se concentra en lo que el modelo genera, no en lo que lee.

En las evaluaciones de la propia empresa, Glimpse supera incluso a GPT-6 Astra en razonamiento sobre gráficos científicos y en descripción de videos cortos, con resultados competitivos en otras tareas de razonamiento visual.

Ese último punto merece una advertencia antes de que alguien reescriba su arquitectura. Son números autoinformados, no verificados por terceros, y el producto todavía no está disponible para cualquiera: la API está abierta como research preview y el chat es solo por lista de espera. Dicho de otro modo, lo que Elorian puso sobre la mesa es una tabla de resultados y una tesis, no todavía un modelo que puedas llevar a producción sin costo de aprendizaje.

¿Quién financia a Elorian y a quién le quiere vender?

Elorian salió del modo stealth hace seis meses con una ronda co-liderada por Striker Venture Partners, Menlo Ventures y Altimeter Capital, con participación de Nvidia y del científico jefe de Google, Jeff Dean.

Los primeros objetivos declarados son empresas que viven rodeadas de video: firmas de robótica, laboratorios científicos, medios de comunicación y compañías creativas. Es una elección lógica: son los sectores donde hoy una hora de video sin etiquetar es un activo caro de procesar y donde el error de lectura visual cuesta plata real.

A más largo plazo, Elorian quiere pasar de ver a hacer. Eso significa construir un modelo de la escena y usar ese modelo para elegir una acción, incluido el control directo de robots. Para el próximo año, Dai dice que la meta es construir el mejor modelo de razonamiento visual del mundo, uno que lidere en cada prueba de razonamiento visual.

¿Qué significa esto para tu startup?

El anuncio no te obliga a cambiar de proveedor mañana, pero sí cambia el mapa de lo que es razonable esperar de un modelo de visión. Tres movimientos concretos:

• Haz un inventario de tus casos visuales. Antes de evaluar cualquier modelo nuevo, lista en qué partes de tu producto una IA tiene que leer algo (capturas de usuarios, tickets con imágenes, planos, video de procesos, fotos de inventario) y cuánto tiempo humano consume hoy esa lectura. Si ese trabajo ya es un cuello de botella medible, tenés un caso de negocio para probar razonamiento visual; si no lo es, es curiosidad técnica.
• Costea la salida, no solo la entrada. Con precios de US$0,60 por millón de tokens de entrada y US$3 por millón de salida, un modelo que itera sobre la imagen va a gastar mucho más en lo que genera que en lo que lee. Modela el peor caso de tu pipeline antes de prometer un precio a un cliente.
• No migres por un benchmark de proveedor. Pide acceso al research preview y corre tu propia evaluación con tus imágenes, las feas, las mal iluminadas y las que tu equipo ya sabe interpretar. La métrica que importa no es la tabla de Elorian: es cuántas de tus tareas reales resuelve sin que un humano revise después.

Hay otro aprendizaje, más de estrategia que de herramientas. Durante años la conversación sobre visión en IA se planteó como una guerra de escala: más parámetros, más datos, más capital. Elorian entra con la historia opuesta, un modelo chico, entrenado con unos pocos cientos de GPU y una idea mecánica —volver a mirar— en lugar de más cómputo. Para un equipo de LATAM o España que no puede competir en cheques, eso es una señal alentadora: todavía hay espacio para ganar con arquitectura y foco vertical, no solo con presupuesto.

Conclusión

Glimpse no resuelve el problema de la visión artificial de un día para el otro, y sus resultados son, por ahora, los que reporta su propio creador. Pero el diagnóstico de Elorian es difícil de discutir: un modelo que convierte una imagen en tokens y nunca vuelve a mirarla está razonando sobre un recuerdo, no sobre la imagen. Si esa intuición se sostiene cuando otros equipos la prueben por su cuenta, la pregunta para los founders deja de ser qué modelo usa más datos y pasa a ser cuál mira mejor.

Nota de verificación: al cierre de esta nota, las búsquedas adicionales no arrojaron documentos públicos verificables sobre Elorian o Glimpse más allá de la cobertura original de TechCrunch. Todos los datos de esta nota provienen de esa fuente.

Fuentes

• Elorian's first AI model wants to reason with images, not just about them (fuente original)