Un nuevo enfoque en la percepción visual de la IA
Elorian, una startup de inteligencia artificial con sede en Palo Alto, ha presentado su primer modelo, Glimpse, que promete cambiar la forma en que las máquinas interpretan imágenes. Este lanzamiento se produce tras una exitosa ronda de financiación inicial de $55 millones, que valoró a la empresa en $300 millones antes de que lanzara cualquier producto.
A diferencia de los modelos multimodales tradicionales, que analizan una imagen y generan texto a partir de ella, Glimpse permite un razonamiento más profundo. El modelo puede regresar a la fuente original durante el proceso de análisis, lo que le permite realizar acciones como recortar partes específicas de una imagen o extraer fotogramas relevantes de un video. Esta capacidad se conoce como “espacio visual temporal”, y es similar a hacer zoom en una foto para verificar detalles.
La idea detrás de Glimpse surgió cuando el CEO de Elorian, Andrew Dai, exinvestigador en Google DeepMind, se dio cuenta de las limitaciones actuales de los modelos de IA durante una noche de juegos. Al preguntar a un modelo avanzado quién estaba ganando en un juego de mesa, el sistema no pudo proporcionar una respuesta adecuada debido a su incapacidad para interpretar correctamente los símbolos y el lenguaje visual del juego.
A pesar de que algunos aspectos del enfoque no son completamente nuevos —OpenAI implementó funciones similares en sus modelos O-series— Elorian asegura haber construido todo su modelo alrededor del concepto del razonamiento visual. Con un equipo reducido y utilizando unos pocos cientos de GPUs, han logrado crear un sistema más pequeño y eficiente comparado con otros modelos líderes del mercado.
En términos económicos, Glimpse tiene un costo competitivo: $0.60 por millón de tokens entrantes y $3 por millón salientes. Aunque es más caro que algunos modelos ligeros como Haiku y Luna, Elorian afirma que supera incluso al reconocido GPT-6 Astra en tareas específicas como el razonamiento sobre gráficos científicos y subtitulación breve para videos.
El objetivo inicial del modelo está orientado hacia empresas con grandes volúmenes de contenido audiovisual, incluyendo firmas robóticas, laboratorios científicos y compañías creativas. A largo plazo, Elorian aspira a avanzar desde la mera observación hacia acciones concretas, desarrollando capacidades para controlar robots basándose en su comprensión visual del entorno.
Dai ha declarado que uno de los objetivos para el próximo año es construir “el mejor modelo del mundo para razonamiento visual”, buscando liderar todas las pruebas relacionadas con esta área. Con este enfoque audaz e innovador, Elorian podría estar marcando el camino hacia una nueva era donde las máquinas no solo ven imágenes sino también comprenden su significado.
