Elorian, una startup emergente de inteligencia artificial con sede en Palo Alto, ha hecho olas en la industria tras completar una ronda de financiamiento inicial de 55 millones de dólares, alcanzando una valoración de 300 millones antes de lanzar su producto. Esta compañía ha presentado recientemente su primer modelo, denominado Glimpse, que se encuentra disponible como una vista previa de investigación. Aunque el acceso a su interfaz de chat y API es por lista de espera, ya se pueden observar sus características a través de los datos que ofrece.
El enfoque de Glimpse se centra en superar las limitaciones actuales de los modelos de inteligencia artificial en la interpretación visual. A diferencia de otras herramientas que analizan imágenes de manera superficial, este modelo mantiene un contacto continuo con el origen visual, permitiendo realizar acciones como recortar o extraer marcos específicos de un video durante el análisis. Este método, descrito por Elorian como un «espacio de trabajo visual», amplía las posibilidades en el razonamiento visual al permitir que la IA referencie múltiples aspectos de una imagen o video para llegar a conclusiones más precisas.
Andrew Dai, CEO de Elorian y exinvestigador de Google DeepMind, destacó una experiencia anecdótica que lo llevó a cuestionar la capacidad de visualización de la inteligencia artificial. Durante una partida de mesa, utilizó un modelo avanzado para averiguar quién estaba ganando en una foto del juego, y el modelo no pudo ofrecer una respuesta. Según Dai, la complejidad visual de los juegos de mesa, que contienen iconografía y símbolos propios, escapa a la comprensión de estos modelos actuales. «Los humanos pueden entender diagramas de IKEA sin texto, ¿por qué no pueden hacerlo los modelos de IA?», reflexionó.
Aunque el enfoque de Glimpse no es completamente nuevo, ya que OpenAI también ha implementado métodos de recorte y zoom, Elorian sostiene que ha desarrollado un modelo más compacto y económico, entrenado con un equipo reducido de solo unas pocas centenas de GPUS. Con un costo de 0.60 dólares por millón de tokens procesados y 3 dólares por millón de tokens generados, Glimpse se posiciona entre modelos de nivel medio y modelos más ligeros en el mercado.
A pesar de su tamaño, las evaluaciones iniciales indican que Glimpse supera a competidores como GPT-6 Astra en razonamiento sobre gráficos científicos y subtitulado de videos cortos, manteniendo resultados competitivos en otras tareas de razonamiento visual. La empresa emergió de su fase de sigilo hace seis meses, cuando recaudó fondos con el apoyo de Striker Venture Partners, Menlo Ventures y Altimeter Capital, además de contar con la participación de Nvidia y el científico jefe de Google, Jeff Dean.
El objetivo inicial de Elorian se centra en colaborar con empresas que manejan grandes volúmenes de video, tales como firmas de robótica, laboratorios científicos y compañías creativas. A largo plazo, la empresa aspira a evolucionar de la visualización hacia la acción, desarrollando un modelo que no solo pueda interpretar, sino también ejecutar tareas específicas, incluyendo el control de robots inteligentes. Para el próximo año, Dai anunció su intención de establecer la «mejor modelo de razonamiento visual del mundo», que destaque en todas las pruebas de razonamiento visual existentes.