Elorian, la startup de razonamiento visual, supera a GPT-6

Elorian lanza Glimpse, un modelo que razona mirando la imagen

Elorian presentó Glimpse, su primer modelo de razonamiento visual, y lo promociona como «una nueva categoría de modelo de pensamiento visual: un sistema que razona sobre el mundo físico a partir de lo que ve». La startup, con sede en Palo Alto, salió del stealth en abril con una ronda semilla de US$55 millones co-liderada por Striker Venture Partners, Menlo Ventures y Altimeter Capital.

Según la cobertura de TechCrunch, esa ronda se cerró con una valoración de US$300 millones antes de que la compañía tuviera producto en el mercado, y sumó la participación de Nvidia y de Jeff Dean, chief scientist de Google. Glimpse se libera como research preview con acceso por API; la interfaz de chat sigue con lista de espera.

La diferencia técnica que Elorian destaca es concreta. La mayoría de los modelos multimodales miran la imagen una vez, la convierten en tokens y razonan en texto, como quien describe una foto de memoria. Glimpse vuelve a la imagen original durante el razonamiento: puede recortar una región, extraer fotogramas específicos de un video o ejecutar código para medir y comparar lo que está viendo. Elorian llama a ese mecanismo «visual scratch space».

Andrew Dai, CEO y cofundador, no es nuevo en esto. En 2015, mientras trabajaba en Google, cofirmó el paper Semi-supervised sequence learning junto a Quoc Le, una versión temprana del enfoque de preentrenar y luego afinar que después adoptaron los grandes modelos de lenguaje. En la década siguiente pasó por Google DeepMind trabajando en GLaM MoE, PaLM 2 y Gemini. Dejó Google este año para cofundar Elorian.

Su motivación nació de una escena cotidiana: en una noche de juegos, le sacó una foto a un juego de mesa que acababa de terminar y le preguntó a un modelo de frontera quién iba ganando. El modelo no pudo responder. «Cada juego tiene su propio lenguaje visual, sus iconos, sus símbolos», explicó. «Para un adulto es fácil entender qué pasa con muy poco texto, pero estos modelos no pueden intuir qué significan esos símbolos».

DecoyCount: ¿el modelo cuenta o adivina?

Junto a la empresa de datos de IA Mercor, Elorian anunció el benchmark DecoyCount, que prueba si los modelos de lenguaje realmente cuentan objetos o si se apoyan en atajos visuales y heurísticas de sustitución.

Los resultados son incómodos para los modelos de frontera. Según el paper que acompaña el lanzamiento, ninguno superó el 50% de precisión y el mejor fue GPT-6 Astra, con 43,17%. El modelo de Elorian no aparece en el paper, pero Dai afirmó que Glimpse alcanzó 50,48% en una prueba interna sobre los 1.660 ítems de DecoyCount. Los demás: Gemini-3.8-flash con 32,71%, Qwen3.8-max con 28,31% y Claude-Fable-5.1 con 25,22%.

La conclusión del paper es filosa: «un razonamiento general más fuerte no se generaliza por sí solo a un razonamiento visual alineado».

Hay un matiz metodológico que conviene leer con atención. Dai reconoce que el resultado de Glimpse «proviene de una sola ejecución del modelo por sí solo, sin agente ni herramientas», mientras que los seis modelos del paper se promediaron sobre tres ejecuciones cada uno. También aseguró que las imágenes y el texto de evaluación se excluyeron del entrenamiento de Glimpse y que su chequeo de contaminación no encontró solapamiento.

¿Qué revela DecoyCount que otros benchmarks no ven? Dai lo explica con un espejo: si una persona ve una manzana frente a un espejo, sabe que hay una sola manzana reflejada. Un modelo puede fallar de dos formas distintas: no ver la manzana (problema de visión) o contar la manzana y su reflejo como dos (problema de razonamiento). La mayoría de los benchmarks solo miran el número final, así que tratan ambos errores igual — y si no sabes cuál de los dos falló, no puedes arreglar la causa.

Razonamiento visual no es lo mismo que world models

Este año hubo lanzamientos notables en modelos de mundo, donde la visión es un componente central: Atlas de World Labs en septiembre (la compañía fue adquirida después por AMD) y Genie 4 de Google.

Dai marca la diferencia: los world models habilitan «acción directa sobre un mundo», mientras Elorian apunta a lo que llama «acción indirecta», es decir usar razonamiento visual para informar una decisión o un flujo de trabajo. Su ejemplo: decidir si rechazas un video subido por un usuario porque viola una política. «No necesitas un renderizado 3D para eso».

El precio también es parte del argumento

Glimpse cuesta US$0,60 por millón de tokens de entrada y US$3 por millón de tokens de salida. Es más barato que modelos de gama media como Sonnet y Sol, pero más caro que modelos livianos como Haiku y Luna.

Elorian sostiene que entrenó Glimpse con un equipo pequeño y unos pocos cientos de GPUs, y que el modelo es bastante más chico que los sistemas de frontera contra los que lo compara. En dos benchmarks de robótica, WGO Bench y ERQA, la compañía afirma que su modelo iguala o supera a los modelos de frontera a un precio mucho menor.

Los mercados iniciales que persigue son empresas con mucho video: robótica, laboratorios científicos, medios y compañías creativas. También menciona ingeniería, defensa y arquitectura, donde revisar códigos de edificación y cumplimiento normativo es una tarea recurrente.

¿Qué significa esto para tu startup?

El mensaje para un founder no es «cambia de modelo mañana». Es que el benchmark general dejó de ser una buena referencia para tareas visuales concretas.

• Prueba con tus propias imágenes antes de decidir. Si tu producto cuenta, inventaría, inspecciona o modera contenido visual, arma un set de 50 a 100 casos reales de tu operación y córrelo contra los modelos que estás evaluando. Un 43% en DecoyCount no dice nada sobre tu caso; tu propio set sí.
• Mide el costo por tarea, no por token. El precio de lista de Glimpse es más alto que el de los modelos livianos. Si tu tarea exige varias pasadas de verificación sobre la misma imagen, la comparación cambia. Calcula cuántas llamadas necesita cada modelo para acertar tu caso y multiplica.
• Exige más de una ejecución. El propio resultado de Glimpse viene de una sola corrida, mientras que los modelos del paper se promediaron sobre tres. Cuando evalúes proveedores, pide consistencia entre corridas: un modelo que acierta una vez y falla dos no es confiable en producción.
• Separa el error de visión del error de razonamiento. Si tu pipeline falla, saber si el problema es que el modelo no vio o que vio mal te ahorra semanas de trabajo. Diseña tus pruebas para distinguir ambos casos.

Para startups de LATAM y España con presupuestos ajustados, la parte útil es la del costo: la brecha entre modelos de frontera y modelos chicos se está cerrando en tareas visuales específicas, y eso abre la puerta a resolver con un modelo barato lo que antes exigía el más caro.

Conclusión

Elorian apuesta a que el razonamiento visual es un requisito de base para la AGI: «si queremos construir algo parecido a la AGI, no podemos simplemente saltear lo visual», dice Dai, que igual reconoce que sigue habiendo «una brecha enorme entre humanos y máquinas». Su meta declarada para el próximo año es construir «el mejor modelo de razonamiento visual del mundo», líder en todos los benchmarks de la categoría.

El dato que importa hoy no es la promesa, sino el 43,17% de GPT-6 Astra. Los modelos que mejor escriben y mejor programan todavía no superan el 50% cuando hay que contar objetos en una imagen con señuelos. Si tu producto depende de que la IA vea bien, ese número es tu punto de partida — y tu oportunidad.

Fuentes

• Latent Space (fuente original)
• TechCrunch vía Yahoo
• Pulse 2.0
• KuCoin News