Elorian Glimpse: el modelo de pensamiento visual que mira dos veces, explicado

Por qué leí este lanzamiento con detalle

En eesel desarrollo funciones y agentes de IA, y una petición aparece una y otra vez en nuestra hoja de ruta: leer la imagen. En las llamadas de ventas de eesel de este año, los equipos de soporte de productos técnicos pedían una y otra vez una IA capaz de leer las imágenes y diagramas dentro de sus PDF y las fotos que los clientes adjuntan a los tickets. Una marca DTC de suplementos con unos 7.000 tickets al mes nos contó que parte de su conocimiento de producto vivía en vídeos de Loom que nadie había transcrito.

La mayoría de los modelos de visión resuelven eso escribiendo un pie de foto para la imagen y razonando después sobre ese pie. Funciona hasta que el detalle importante no estaba en el pie. Glimpse es el primer modelo que he visto construido justo para arreglar eso, así que revisé la publicación de lanzamiento, la ficha del modelo en Together AI, los términos de la plataforma y las reacciones del día del lanzamiento. Esto es lo que se sostiene y lo que necesita una nota al pie.

¿Qué es Elorian Glimpse?

Glimpse es lo que Elorian llama "a new category of visual thinking model: a system that reasons about the physical world from what it sees." En palabras sencillas, es un modelo de razonamiento multimodal ajustado para tareas en las que la respuesta está en la imagen y es difícil de poner en palabras: a qué velocidad se mueve algo, si un plano es un único barrido continuo o dos cortes, cuántos de estos objetos están realmente abiertos.

La empresa que está detrás es pequeña y bien respaldada. Elorian dice tener 55 millones de dólares en financiación de Striker Ventures, Menlo Ventures y Altimeter, con NVIDIA y Jeff Dean entre otros inversores. El cofundador y CEO Andrew Dai pasó cerca de 12 años en Google Brain y DeepMind. Elorian dice que construyó Glimpse "as a small team with only a few hundred GPUs, post-trained on an open weights base model."

Esta es la ficha técnica, con los huecos marcados:

La página de Together AI también lo lista en Chat, Reasoning, Vision y Video, y muestra Dedicated como único tipo de despliegue. Eso importa para el presupuesto, y volveré sobre ello.

¿Cómo funciona el "pensamiento visual"?

El argumento de Elorian es que los modelos de visión actuales razonan en dos pasos: primero traducen la imagen a lenguaje y luego razonan en texto. "No matter how advanced the subsequent reasoning, this chain is fragile", dice su página de inicio, porque muchos detalles visuales no se pueden describir con precisión ni con brevedad.

Glimpse lleva la imagen al propio razonamiento. Puede "reason in visual space, revisiting and refining internal visual representations as thinking unfolds." En la práctica, la publicación de lanzamiento muestra tres movimientos que el modelo hace en plena respuesta: hacer zoom en una región, volver a ver un intervalo corto con una tasa de fotogramas más densa y seguir un rasgo a lo largo del tiempo.

El mejor ejemplo es un clip de dos pájaros que se van de un pomo de puerta mientras la cámara gira. Para saber si el plano corta o barre, Glimpse primero mapea los 6,13 segundos completos a 8 fotogramas por segundo y luego vuelve a ver la ventana de 0,9 segundos que decide la respuesta a unos 14 fotogramas por segundo. La mirada extra va solo adonde la respuesta no está clara, que es toda la idea.

Hay dos decisiones de diseño más que conviene conocer:

• El uso de herramientas viene entrenado. Según la ficha del modelo de Together, Glimpse está "trained end to end to use multimodal tools that write code, transform images, and watch videos." Es parecido en espíritu a la visión agéntica de Gemini, donde el modelo recorta imágenes y ejecuta código sobre ellas.
• Puede repartir el trabajo entre subagentes. Glimpse "can spawn and coordinate subagents that exchange text, visual artifacts, and internal representations." Pasar artefactos visuales entre agentes, y no solo resúmenes de texto, es lo inusual. Si has usado subagentes en Claude Code, imagina el mismo patrón con imágenes en el traspaso.

La interfaz de chat hace visible todo esto. Mientras hablas con él, la plataforma muestra lo que Elorian llama el "visual scratch space": los zooms, las revisiones y los rasgos seguidos, en directo.

Donde se vuelve preciso: contar

Contar parece trivial hasta que añades objetos parecidos. El ejemplo de Elorian pregunta "How many open pliers are there?" sobre una foto que también contiene alicates cerrados y tijeras. La respuesta correcta, según la referencia revisada de Elorian, es cuatro. Los alicates cerrados son la herramienta correcta en el estado equivocado, y las tijeras tienen dos mangos y una bisagra pero son otra herramienta.

Una aclaración justa: Elorian etiqueta este ejemplo como una respuesta de referencia revisada, "not a recorded model trace." Las trazas registradas en la publicación son los clips del tren y los pájaros, las grabaciones de robots y el conteo en la obra. Esa distinción se pasa por alto con facilidad y conviene tenerla presente al compartir las demos.

¿Qué tan bueno es Glimpse en realidad?

Todos los números de abajo vienen de Elorian, ejecutados con el máximo esfuerzo de razonamiento y con el entorno de herramientas nativo de cada modelo. Nadie independiente lo ha probado todavía: a 19 de octubre no hay página de Artificial Analysis para Glimpse. Con esa salvedad, esta es la tabla del lanzamiento.

La negrita marca la mejor puntuación de cada fila. Leída frente a GPT-6 Astra, aparece un patrón:

Las victorias de Glimpse son pequeñas (0,8 puntos en razonamiento sobre gráficos, 1,3 en conteo) y sus derrotas mayores (7,2 puntos en HSS, 7,4 en Video-MME v2). Así que el titular honesto no es "supera a Astra". Es cerca de Astra en la mayoría de las pruebas visuales a aproximadamente una dieciseisava parte del precio. Sigue siendo un gran asunto, y así lo plantea la propia Elorian: "frontier-level performance at the level of (and sometimes exceeding)" Astra y Claude Opus 5.5.

También supera claramente a la gama económica. Frente a Gemini 3.8 Flash, su rival más cercano en precio, Glimpse gana 11 de las 12 filas, y en WGO Bench obtiene 42.70 frente a 33.99.

Unas palabras sobre el benchmark HSS

HSS, siglas de Humanity's Sixth Sense, es una prueba nueva que Elorian creó con Scale AI. Tiene 522 preguntas abiertas (288 imágenes y 234 clips de vídeo) sobre lo que una escena sugiere pero no muestra: hacia dónde sopla el viento, si un libro cabría en una estantería, si las personas son visitantes o personal. Una respuesta solo cuenta si cumple todos los puntos de una rúbrica escrita por humanos.

Los humanos puntúan 93,1. El mejor modelo de la tabla de Elorian, GPT 6 Astra, puntúa 53,6, y Glimpse 46,36. Conviene tener presentes dos cosas a la vez: es un benchmark útil porque apunta a una carencia real, y es un benchmark propio de Elorian, así que trátalo como cualquier prueba creada por un proveedor. Mérito para Elorian por publicar una prueba que su propio modelo no gana. Que Scale AI sea socio da algo más de peso al conjunto de preguntas.

¿Cuánto cuesta Elorian Glimpse?

La tarifa es corta, porque Elorian solo ha publicado una línea:

Como contexto, así quedan los precios de salida de los modelos que Elorian comparó en su tabla de lanzamiento:

Esos precios de la competencia son los que Elorian listó; mis desgloses de GPT-6 Astra pricing y Opus 5.5 pricing cubren las tarifas completas, incluido el caché. La afirmación de Elorian es que Glimpse es un 94 % más barato que Astra y un 20 % más barato que la tarifa de introducción de Gemini 3.8 Flash, tanto en entrada como en salida.

Dos cosas cambian la factura real:

1. Glimpse piensa con muchos tokens. Elorian lo dice ella misma: "Looking that closely takes time, and tokens. Token efficiency is our next highest focus." Una tarifa baja por token en un modelo que razona largo puede costar más por tarea de lo que esperas, así que prueba con tus propios clips antes de presupuestar.
2. Las cifras por tarea se ven mejor que las cifras por token. En la demo de planificación robótica de Elorian, el episodio completo costó $0.035 con Glimpse frente a $0.249 con Astra, unas 7 veces menos. El inversor Brian Zhan calculó lo que eso significa para un robot que revisa sus cámaras cada 2 segundos: 1.800 llamadas por hora de robot, donde "the same budget on Astra buys one check every 14s."

En Together, que solo haya despliegue dedicado significa que pagas por GPU reservadas, no por llamada. Eso conviene a un equipo con volumen constante y una razón para mantener el tráfico en infraestructura que ya usa; mi guía de Together AI pricing explica cómo se facturan los endpoints dedicados. Para una primera prueba, la API de Elorian es más sencilla. Un desglose completo de costes por escenario llegará en una publicación aparte sobre los precios de Glimpse.

¿Para qué sirve realmente?

Elorian y Together listan los mismos tres grupos de casos de uso, y coinciden con los puntos donde los benchmarks son más fuertes.

Datos y planificación en robótica. Glimpse puede etiquetar grabaciones de teleoperación, nombrar y enmarcar objetos y dividir un episodio en eventos de recoger y colocar con marcas de tiempo. También puede actuar como planificador de una política robótica de visión-lenguaje-acción, revisando las cámaras para decidir cuándo termina un paso. En la demo de lanzamiento planificó para la política π0.5 de Physical Intelligence en una tarea de LIBERO. Si la robótica es lo tuyo, compáralo con Gemini Robotics 2 y Gemini 4 Argon for robotics de Google.

"Most teleop footage sits unlabelled because segmenting every step by hand is slow and expensive."

Linus Ekenstam, X

Vídeo a escala. Descripciones densas que capturan movimientos finos y dinámicas emocionales, etiquetado de vídeo corto y de redes sociales para búsqueda, y seguimiento o conteo de objetos en grabaciones a mano. La demo de los cachorros de Elorian mantiene el número de cada cachorro cuando la cámara se aleja y vuelve, que es la parte difícil de contar en vídeo.

Inspección científica y operativa. Leer gráficos y datos de laboratorio, contar equipos e inventario separando objetos parecidos y razonar sobre consecuencias físicas a partir de una foto. La demo de la obra de Elorian cuenta vehículos en un patio y devuelve las marcas de tiempo en las que se apoyó, el tipo de rastro de evidencia que querría un auditor.

¿Qué dicen los primeros usuarios?

Las reacciones al lanzamiento en X giraron sobre todo en torno al proceso visible. El anuncio de Andrew Dai superó los 5.700 me gusta:

"Spent years watching models ace a single image and completely whiff on anything that moves or changes angle. Today we're fixing that."

Andrew M. Dai, X

Un probador con acceso anticipado hizo una prueba de conteo sobre una pintura y le gustó cómo trabajó el modelo, no solo la respuesta:

"Glimpse broke the image into four sections, zoomed in to examine the details, and analyzed the visual clues before reaching its final answer: 5 horses."

Ai Arainz, X

La crítica más afilada llegó en las respuestas, y es la pregunta correcta para cualquier demo:

"Counting is the easy thing to check, but the footage use is where it gets hard. Asking why something changed means tracking the same object across frames and tying it to a cause, and that is where a lot of vision models start guessing. I'd want to see it on a long clip where the key change happens off to one side of the frame."

Kieren Day, X

Conviene señalar que varias de las publicaciones de lanzamiento más entusiastas, incluido el hilo de robótica de Brian Zhan y la publicación "1/16 the price of Astra" de Striker, vienen de inversores de Elorian. Sirven para las cuentas, pero no son reseñas neutrales. Actualizaré esta publicación cuando probadores independientes publiquen resultados con clips largos.

Dónde se queda corto Glimpse

Ninguno de estos puntos es un impedimento para un primer modelo, pero conviene conocerlos antes de construir sobre él:

• Es una versión preliminar de investigación. Palabras de la propia Elorian. Espera cambios en el modelo, los límites y el precio.
• Sin benchmarks independientes todavía. Cada puntuación es una ejecución de Elorian, con el máximo esfuerzo, en una tabla que incluye un benchmark creado por Elorian.
• Faltan datos básicos. Sin ventana de contexto, salida máxima, límites de uso, precio de entrada en caché ni nivel batch publicados. Para quien compra la API, eso decide si funciona en producción.
• Sin pesos. Está construido sobre una base de pesos abiertos, pero el propio Glimpse es cerrado. Si necesitas alojar visión por tu cuenta, Nemotron 3.5 Super VL y el experimento de visión de DeepSeek V4 Flash son las opciones abiertas.
• Entrena con tus subidas por defecto. Los términos de Elorian licencian el contenido enviado para "train, test, evaluate, and improve" sus modelos. Los usuarios de pago pueden excluirse por correo; los términos no dan esa opción a los usuarios gratuitos. Los mismos términos también prohíben usar las salidas para entrenar o evaluar otro modelo.
• Solo texto de salida. Lee imágenes y vídeo pero devuelve texto, y Elorian dice que las salidas de acción para robots siguen siendo "work ahead."

¿Es útil Glimpse para atención al cliente?

Esta es la pregunta que más me importa, así que seré directo. La parte de visión encaja de verdad. Los clientes envían fotos de productos dañados, capturas de mensajes de error y grabaciones de pantalla de fallos. Un modelo de texto ve "ver adjunto" y nada más. Un modelo que pueda contar, comparar y seguir lo que cambió en un clip podría convertir esos adjuntos en respuestas.

Pero para un equipo de soporte hoy, Glimpse es un componente, no una solución. No hay integración con helpdesks, ni ventana de contexto publicada para hilos largos de tickets, y como entrena con las subidas por defecto, querrías un plan de pago antes de que cualquier foto de un cliente se le acerque. Además, los helpdesks están añadiendo su propia lectura de imágenes, como Gorgias AI Agent Vision, y el manejo de adjuntos tiene sus propios límites, como los límites de tamaño de adjuntos de Zendesk.

La lección que eesel aprendió por las malas se aplica a cualquier modelo nuevo: no puedes confiar en que un modelo se vigile a sí mismo en una cola real. Una respuesta equivocada y segura de sí misma sobre la foto de un producto dañado es peor que una humana lenta. Por eso cada despliegue de eesel se simula con tickets históricos antes de que la IA responda a un cliente real. Mi guía del best support ticket model explica cómo elegir la capa de modelo, y la AI ticket classification es un primer trabajo de menor riesgo para cualquier modelo nuevo.

¿Quién debería probar Elorian Glimpse?

Así lo decidiría yo:

• Equipos de robótica que etiquetan grabaciones o revisan el trabajo de una política. Aquí Glimpse es más fuerte en la tabla de Elorian y más barato por comprobación. Pruébalo primero.
• Equipos que etiquetan o describen vídeo corto a escala. Buena puntuación en UGC-VideoCap y precio de salida bajo. Ejecútalo con tus propios clips.
• Inspección y conteo de inventario. Bueno en conteo abierto, más débil en conteo en imágenes de producto (CountQA), así que prueba con tus fotos de producto reales.
• Preguntas sobre vídeos largos. Astra y GPT-6.1 Sol puntúan claramente más alto en Video-MME v2. Empieza por ahí si la precisión importa más que el coste.
• Todo lo que necesite pesos, contratos o límites publicados. Espera. Mira modelos abiertos o las otras opciones de Together hasta que Glimpse salga de la versión preliminar.

Si sigues el panorama más amplio de nuevos modelos con visión este mes, Meta Muse Wonder, Reflection AI Beam y GLM-5.3-Flash son los otros lanzamientos sobre los que he escrito.

Prueba eesel

Glimpse es infraestructura: un modelo, una API y una factura por token. Para usarlo con tickets de soporte aún tendrías que construir la conexión con el helpdesk, la recuperación sobre tu centro de ayuda, las reglas de escalado y las pruebas. eesel es el empleado. Nuestro compañero de IA para el helpdesk se une a tu cola actual en Zendesk, Freshdesk, Gorgias y otros helpdesks, aprende de tus tickets y documentos pasados, y puedes reproducirlo contra cientos de tus tickets históricos antes de que responda a un solo cliente. Esa repetición es donde detectas la respuesta equivocada y segura de sí misma sobre la foto de un cliente antes de que lo haga el cliente.

Si prefieres trabajar desde una terminal, como harías para probar un modelo nuevo, la CLI de eesel maneja ese mismo compañero. eesel instructions lee y edita sus reglas permanentes, eesel approvals lista las acciones que esperan a una persona, y eesel activity muestra cada ejecución y por qué hizo lo que hizo, de modo que un agente de código como Claude Code pueda gestionar tu compañero de soporte igual que gestiona tu repositorio. Si escribes contenido en lugar de responder tickets, la misma plantilla incluye un redactor de blog con IA.

Empezar es gratis, sin tarjeta. Prueba eesel con los tickets del mes pasado y mira lo que habría respondido, antes de calcular el precio de un solo endpoint dedicado. Los planes están en la página de precios.