Elorian: Glimpse razona con imágenes y cuesta 94% menos

Elorian presentó Glimpse, un modelo que no se limita a describir una imagen: la recorta, la amplía, extrae fotogramas de un vídeo y ejecuta código para medir mientras razona. Se publicó el 16 de octubre como vista previa de investigación, con un precio de US$0,60 por millón de tokens de entrada y US$3 por millón de salida. Según las evaluaciones de la propia empresa, supera a GPT-6 Astra de OpenAI en razonamiento sobre gráficos científicos y en subtítulos de vídeo corto.

Para un founder, el dato relevante no es el benchmark: es que un equipo pequeño, entrenando con unos cientos de GPU, se ponga a la altura de los laboratorios de frontera en tareas visuales concretas cobrando una fracción del precio. Eso presiona los márgenes de todo lo que hoy construyes sobre modelos multimodales.

¿Qué significa razonar "con" imágenes en lugar de sobre ellas?

La mayoría de los modelos multimodales miran la imagen una vez, la convierten en tokens y razonan en texto. Es como describir una foto de memoria. Glimpse vuelve a la fuente: a mitad del razonamiento puede recortar una región, sacar fotogramas específicos de un vídeo o correr código para medir y comparar lo que está viendo. Elorian lo llama "espacio de trabajo visual" (visual scratch space), según TechCrunch.

La analogía práctica es la del dedo que hace zoom en la pantalla del móvil para confirmar lo que creías haber visto. El modelo no se queda con la primera impresión: verifica.

El enfoque no es completamente nuevo. TechCrunch recuerda que OpenAI ya añadió recorte y zoom durante el razonamiento a sus modelos de la serie o en 2025, y Google exploró la misma idea con Agentic Vision en Gemini 3 Flash. La apuesta de Elorian es haber construido el modelo entero alrededor de esa capacidad, y hacerlo barato.

El CEO y cofundador Andrew Dai explicó el problema con un ejemplo cotidiano: fotografió una partida de un juego de mesa y preguntó a un modelo de frontera quién iba ganando. No supo responder. Su argumento es que cada juego tiene su propio lenguaje visual, su propia iconografía, y que los modelos no intuyen qué significan esos símbolos. La misma lógica aplica a un diagrama de muebles sin texto o a un panel de control industrial.

¿Cómo rinde Glimpse frente a GPT-6 Astra, Claude Opus 5.5 y Gemini 3.8 Flash?

La tabla oficial compara Glimpse con GPT-6 Astra, GPT-6.1 Sol, Claude Opus 5.5 y Gemini 3.8 Flash, todos con el máximo esfuerzo de razonamiento. El resumen:

• Gana a Astra en manipulación robótica (WGO Bench, 42,7 frente a 39,4), subtítulos de vídeo corto (UGC-VideoCap, 82,7 frente a 80,3), conteo de objetos (FSC-147, 83,4 frente a 82) y gráficos científicos (CharXiv-R, 92,9 frente a 92,1).
• Empata en razonamiento espacial (ERQA, 83,75).
• Pierde en seis pruebas, entre ellas BabyVision, comprensión de vídeo (Video-MME v2, 56,7 frente a 64,1) y conteo con preguntas (CountQA).
• En CharXiv-R, el mejor no es Glimpse sino Claude Opus 5.5, con 93,4.

Hay un detalle que dice más que la tabla: Glimpse también pierde en HSS (Humanity's Sixth Sense), un benchmark de comprensión social que la propia Elorian creó junto a Scale AI y presentó el 8 de octubre. Según CryptoBriefing, la prueba tiene 522 preguntas construidas alrededor de imágenes y clips de vídeo. En ella, el mejor modelo, GPT-6 Astra, obtiene un 53,6 %, frente al 93,1 % de las personas. Glimpse se queda en el 46,4 %.

Es decir: el modelo que presume de ver mejor que los demás sigue muy por debajo de un humano en la tarea que su propio creador diseñó para medir esa brecha. La advertencia metodológica es obvia y vale repetirla: todas estas comparaciones las mide Elorian, no un laboratorio independiente.

¿Dónde está la ventaja real de Glimpse?

En el precio. Con US$0,60 y US$3 por millón de tokens, Elorian calcula que Glimpse cuesta un 94 % menos que GPT-6 Astra (US$10 y US$50), un 85 % menos que Claude Opus 5.5 y un 70 % menos que GPT-6.1 Sol. Frente a Gemini 3.8 Flash, en su tarifa introductoria, la diferencia se reduce a un 20 %.

TechCrunch sitúa ese precio por debajo de modelos de gama media como Sonnet y Sol, pero por encima de modelos ligeros como Haiku y Luna. No es el modelo más barato del mercado: es el más barato entre los que compiten en razonamiento visual avanzado.

La empresa admite que lo entrenó "un equipo pequeño con solo unos cientos de GPU", a partir de un modelo base de pesos abiertos que no identifica, y no publica el número de parámetros. Es la misma apuesta que hizo Microsoft con Phi-4-reasoning-vision: compensar con método lo que falta en tamaño.

Y aquí está la cifra que falta, la que ningún benchmark resuelve: un precio bajo por token no garantiza un coste total menor. Si el modelo vuelve una y otra vez a la imagen, gasta más tokens por tarea. El coste real se mide por trabajo terminado, no por millón de tokens.

¿Quién está detrás de Elorian y cuánto levantó?

El equipo tiene pedigrí de Google. Andrew Dai trabajó en Google Brain y DeepMind, codirigió el preentrenamiento de PaLM 2 y lideró el área de datos de Gemini. Yinfei Yang, cofundador, viene de Apple y Google Research, y el tercero, Seth Neel, fue profesor en Harvard.

La empresa salió a la luz este año con una ronda semilla de US$55 millones y una valoración de US$300 millones, liderada por Striker Venture Partners, Menlo Ventures y Altimeter Capital, con participación de Nvidia y de Jeff Dean, científico jefe de Google. CryptoBriefing sitúa esa ronda en abril de 2026 y añade que, a mediados de octubre de 2026, Elorian tenía menos de 100 empleados.

Sus clientes objetivo son empresas con mucho vídeo: robótica, laboratorios científicos y compañías de medios. Elorian cita como caso de uso el etiquetado de datos de teleoperación de robots, un trabajo muy relevante ahora que muchos robots humanoides siguen dependiendo de personas que los manejan con un mando. Su propio blog reconoce los límites: la reconstrucción calibrada y el control de robots siguen pendientes.

Hay además una discrepancia sobre el acceso: el blog dice que Glimpse está disponible hoy por API y en una interfaz de chat, mientras TechCrunch y CryptoBriefing señalan que la interfaz de chat requiere lista de espera. Si vas a evaluarlo, asume que el acceso por chat no es inmediato.

¿Qué significa esto para tu startup?

Tres movimientos concretos, sin comprar humo de benchmark:

• Mide coste por tarea, no por token. Antes de migrar cualquier flujo de trabajo a Glimpse, corre 20 o 30 casos reales de tu producto y cuenta los tokens totales consumidos, incluidos los reintentos y las vueltas extra a la imagen. Compara ese número contra lo que hoy pagas con tu modelo actual. El ahorro del 94 % es sobre la tarifa, no sobre tu factura.
• Arma tu propio set de evaluación con tus imágenes. Si tu negocio depende de leer gráficos, paneles, planos o vídeo de campo, junta 50 ejemplos etiquetados por una persona de tu equipo y pásalos por Glimpse y por tu modelo actual. Los benchmarks de Elorian son autoevaluaciones y no cubren tu caso de uso.
• Revisa si tu cuello de botella es etiquetado de datos. Si estás entrenando modelos de visión o robótica y pagas a anotadores humanos, el etiquetado de teleoperación es el caso de uso que Elorian pone sobre la mesa. Vale la pena pedir acceso a la API y comparar contra tu proceso actual antes de escalar el equipo de anotación.

Y una advertencia de arquitectura: si construyes sobre un modelo que razona volviendo a la imagen, tu latencia cambia. Diseña tus tiempos de espera y tus colas pensando en un modelo que hace varias pasadas, no una.

Conclusión

Glimpse es más interesante por lo que demuestra que por lo que gana. Un equipo pequeño, con unos cientos de GPU y menos de 100 personas, se pone a la altura de los grandes en tareas visuales concretas cobrando una fracción del precio, y eso presiona a todo el mercado. Pero conviene leerlo con cautela: los benchmarks son autoevaluaciones, el modelo pierde en seis pruebas y en el benchmark que la propia empresa creó queda por debajo de GPT-6 Astra y muy lejos del 93,1 % humano.

La apuesta de fondo —razonar volviendo a la imagen en lugar de describirla una vez— es la dirección correcta para robótica, laboratorios y medios. La pregunta que decide si te sirve no es cuánto cuesta el token, sino cuánto cuesta terminar tu tarea. Esa cifra todavía no la publicó nadie.

Fuentes

• Elorian, el primer modelo de Elorian, vuelve a mirar la imagen mientras razona y cuesta una fracción de GPT-6 Astra (fuente original)
• Elorian's first AI model wants to reason with images, not just about them
• Elorian launches Glimpse, an AI model built to reason in pictures