Elorian, startup de inteligencia artificial con sede en Palo Alto, presentó el viernes su primer modelo, Glimpse, en una vista previa de investigación. Más información en Elorian y en el blog de Glimpse.
Razonamiento visual continuo
A diferencia de la mayoría de los modelos multimodales que convierten una imagen en tokens y la analizan una sola vez, Glimpse vuelve a la fuente visual mientras razona. Puede recortar regiones, extraer fotogramas de videos o ejecutar código para medir y comparar lo que observa, una función que la empresa denomina “espacio de rasguño visual”.
Evaluaciones, costos y próximos pasos
Según las pruebas internas de Elorian, Glimpse supera a otros sistemas de referencia en tareas como la interpretación de gráficos científicos y la generación de subtítulos para videos cortos. El modelo se entrenó con unos pocos cientos de GPUs, lo que permite ofrecer precios de 0,60 USD por millón de tokens de entrada y 3 USD por millón de tokens de salida.
El objetivo a corto plazo es atender a empresas que manejan gran cantidad de video, como firmas de robótica, laboratorios científicos, medios de comunicación y productoras creativas. A largo plazo, la compañía planea que el modelo no solo vea, sino que también actúe, incluyendo el control directo de robots.
