El Glimpse de Elorian rebobina el vídeo antes de responder.

La frase más interesante en la publicación de lanzamiento de Elorian para Glimpse no se trata de un benchmark. Se trata de una ventana de 0,9 segundos. En una de las trazas de ejemplo que la empresa publicó el 16 de octubre de 2026, Glimpse ejecuta una primera pasada sobre un clip a aproximadamente 8 fotogramas por segundo, alcanza una lectura tentativa y luego vuelve atrás y vuelve a escanear esos nueve décimos de segundo a unos 14 fotogramas por segundo para decidir si está mirando un paneo de cámara o un corte. Una segunda traza, en la misma publicación, sigue el borde de una sola ventana desde aproximadamente 2,2 segundos de un clip hasta que casi se detiene en 5,13 segundos. Cuando un modelo de vista previa se encuentra en una ruta de producción, los modos de fallo que importan son los que ya están registrados en el archivo de incidentes, que es donde hacemos seguimiento de los que realmente han ocurrido.

Esa es la propuesta, y es genuinamente distinta. Glimpse es el primer modelo de Elorian: un sistema de razonamiento visual que la compañía describe como razonamiento en el espacio visual en lugar de convertir una imagen en lenguaje y razonar en ese lenguaje. Elorian en sí no es desconocida —salió de su modo sigiloso en abril de 2026 con Andrew Dai, un exinvestigador de Google, al frente, con 55 millones de dólares de Striker Ventures, Menlo Ventures y Altimeter y la participación de NVIDIA, 49 Palms y Jeff Dean, y Forbes la incluyó en su lista Next Billion-Dollar Startups en julio. Glimpse es una vista previa de investigación, disponible ahora a través de una API y una interfaz de chat, y es lo primero que la compañía ha lanzado realmente.

Qué significa "rebobinar", mecánicamente

Elorian llama a la superficie de visualización el espacio de trabajo visual. La descripción que da la empresa sobre lo que el modelo hace dentro de él es específica: puede hacer zoom en una región, observar un intervalo breve con una frecuencia de fotogramas mayor o rastrear una característica a lo largo del tiempo. La publicación enmarca el comportamiento como «cuestionar su primera impresión y volver a la evidencia visual antes de responder».

Vale la pena separar dos propiedades de eso, porque tienden a confundirse.

El primero es el muestreo reentrante. Los modelos ordinarios de comprensión de video muestrean fotogramas con una programación fija —a menudo una cuadrícula uniforme, a veces una heurística de fotogramas clave—, y todo lo que queda entre dos fotogramas muestreados se pierde. Glimpse puede gastar cómputo adicional en un intervalo específico después de haber visto ya el clip completo. El aumento de 8 a 14 fps es esa capacidad en su forma más pequeña. Importa sobre todo precisamente en las preguntas en las que falla el muestreo fijo: paneo o corte, si dos apariciones de un objeto son el mismo objeto, qué ocurrió en el medio segundo alrededor de un evento.

El segundo es la traza misma. La plataforma de Elorian muestra el espacio de trabajo del modelo mientras razona, lo que significa que la evidencia de una respuesta incluye dónde miró el modelo. Eso es un tipo distinto de registro de auditoría del de una cadena de tokens de texto, y es la parte con un valor evidente para etapas posteriores: una respuesta sobre una obra de construcción que incluye las marcas de tiempo en las que se basó se puede revisar de una manera en que un párrafo de prosa no.

Por debajo de ambos, la compañía afirma que el modelo fue entrenado de extremo a extremo para usar herramientas multimodales —escribir código, transformar imágenes, ver video— y puede generar y coordinar subagentes que intercambian texto, artefactos visuales y representaciones internas. En palabras de Elorian, fue postentrenado sobre un modelo base de pesos abiertos por un equipo pequeño con "solo unos cientos de GPU", y se posiciona como "un modelo sustancialmente más pequeño y barato" que los sistemas de frontera con los que se compara.

La mitad de la tabla comparativa que importa

La propia página de resultados de Glimpse publica una tabla frente a GPT-6 Astra, y estas son cifras reportadas por el proveedor sin reproducción independiente. Lo inusual es lo mixta que es la tabla. En las tareas de medición, Glimpse gana o empata. En las tareas de inferencia más difíciles, pierde.

• WGO Bench (eventos de manipulación) — Glimpse 42,70 vs GPT-6 Astra 39,42.

• CharXiv-R — 92,90 vs 92,10.

• UGC-VideoCap — 82,66 vs 80,32.

• FSC-147 — 83,36 vs 82,02.

• ERQA — 83.75, a la par de Astra.

• E.T. Bench — 63.55, por delante de los 63.45 de G​emini 3.8 Flash.

• BabyVision — 95,36 frente a Astra 97,68.

• DREAM-1K — 76,04 frente a 79,05.

• TOMATO — 93,60 vs 96,02.

• Video-MME v2 — 56,68 frente a Astra 64,06 y GPT-6.1 Sol 65,27.

• CountQA — 82,66 frente a 86,42 tanto para Astra como para Sol.

• HSS — 46,36 frente a Astra 53,6.

Hay una nota al pie adjunta a la tabla que el lector debería tener presente en cada una de esas filas: los resultados utilizan el mayor esfuerzo de razonamiento con el arnés de agente nativo del modelo y, para la mayoría de las evaluaciones de video, Sol y Opus 5.5 se ejecutaron con esfuerzo alto en lugar de máximo. La fila de HSS mezcla números reportados en artículos de otros laboratorios. Nada de esto invalida la tabla, pero significa que la comparación es Glimpse en su configuración de máximo esfuerzo frente a varios competidores en algo menos que el suyo — y Glimpse aun así pierde la mitad con mayor carga de inferencia.

La lectura honesta de esa división es estrecha y útil. El razonamiento de volver a mirar te aporta una mejor percepción: contar, describir, leer gráficos, seguir un objeto pequeño en movimiento. No te aporta lo que HSS mide, que es lo que una escena implica. Mirar más no es entender más, y la propia tabla del modelo es la prueba.

Lo que la afirmación sobre el precio afirma realmente

El precio de Glimpse es de $0.60 por millón de tokens de entrada y $3.00 por millón de salida. Elorian detalla la comparación en su propia publicación: 94% por debajo de GPT-6 Astra, a $10/$50; 85% por debajo de Claude Opus 5.5, a $4/$20; 70% por debajo de GPT-6.1 Sol, a $2/$10; y 20% por debajo de la tarifa introductoria de Gemini 3.8 Flash, de $0.75/$3.75. La publicación también da una cifra a nivel de tarea: un episodio de planificación robótica costó $0.035 en Glimpse frente a $0.249 en Astra.

Esos son los números del proveedor sobre el modelo del proveedor y no están verificados de forma independiente. Aun así, hay dos cosas sobre ellos que vale la pena señalar. La primera es que todos los porcentajes declarados se miden contra los modelos insignia de frontera, no contra el extremo barato del mercado; solo en cuanto a tokens, Glimpse se sitúa claramente en el segmento medio del mercado, y el artículo que acompaña a este sobre Qwen 3.8 analiza qué ocurre cuando se lo coloca junto al nivel de volumen de A​libaba en su lugar. La segunda es que una tarifa publicada para una vista previa de investigación puede cambiar en cualquier momento, y este es el único punto en el que la capa de enrutamiento merece mención: OrcaRouter transfiere el precio de lista del proveedor sin añadir nada por token, así que un cambio de precio de un proveedor en un modelo que servimos se refleja en nuestro lado el mismo día, y la conmutación por error automática significa que una vista previa no probada puede situarse detrás de una ruta de producción en lugar de delante de ella. Glimpse no está hoy en nuestro catálogo —la propia API e interfaz de chat de Elorian son donde puedes obtenerlo—, así que eso es una declaración sobre cómo fijamos los precios, no una afirmación de que lo alojemos.

El benchmark en el que Glimpse perdió es el suyo propio

Nueve días antes de que se lanzara el modelo, Elorian publicó un benchmark. Humanity's Sixth Sense, creado en colaboración con Scale AI, mide el razonamiento visual implícito: lo que una escena sugiere en lugar de lo que afirma. Consta de 522 tareas, 288 imágenes fijas y 234 clips de vídeo cortos, 17,6 horas de vídeo, puntuadas con rúbricas escritas por humanos en cuatro dominios. Se probaron veinticinco modelos de ocho empresas.

La dispersión es lo que cuenta. El rendimiento humano de referencia es del 93,1 %. El mejor modelo publicado llega al 53,6. El modelo mediano obtiene un 30,9 %, y un control ciego al que se le retiraron los medios sigue obteniendo un 6,6 %, lo que te dice cuánto de la tarea se puede responder sin mirar. De los fallos etiquetados, el 94 % se remonta a ver o inferir, más que a razonar: un 53 % a errores de lectura, un 41 % a implicaciones no captadas y aproximadamente un 5 % a errores de lógica. En un caso, aumentar el esfuerzo de razonamiento de high a xhigh le costó 14 puntos a un modelo.

Glimpse obtiene 46,36 en él. Eso está muy por encima de la mediana y por encima del 44,6 de Claude Opus 5.5 y del 46,6 de GPT-6.1 Sol —pero por detrás del 53,6 de GPT-6 Astra—, y en un benchmark creado por la propia empresa. Publicar un benchmark que tu propio modelo no logra encabezar es una señal de credibilidad, y además te dice con precisión qué no arregla el rebobinado.

Lo que Elorian no ha publicado

Esta es la sección que la mayoría de la cobertura del lanzamiento omitirá, así que pertenece aquí sin rodeos. La publicación de Glimpse no da ningún recuento de parámetros. Ni ventana de contexto. Ni variantes de tamaño del modelo. Ni descripción de la arquitectura más allá de «entrenado posteriormente sobre un modelo base de pesos abiertos», que no nombra el modelo base. Ni datos de preentrenamiento. Ni límites de tokens de salida, ni límites de frecuencia, ni documentación de endpoints de API más allá de la propia plataforma.

Eso no es inusual en una vista previa de investigación, y no es motivo para desconfiar de nada de lo anterior. Es motivo para tener cuidado con un tipo específico de afirmación: cualquier cifra sobre el tamaño, el contexto o el rendimiento de Glimpse que circule esta semana es una estimación, no una divulgación, y tratar una estimación como una especificación es la forma en que un plan de capacidad sale mal.

La empresa también es explícita sobre lo que el modelo aún no hace. La generación de acciones robóticas se enumera como trabajo futuro; la reconstrucción calibrada y el control robótico se describen como "trabajo pendiente". En el ejemplo desarrollado de la presión de los neumáticos, la respuesta se califica como una predicción cualitativa a partir de una fotografía sin que se simule trayectoria ni fuerza de impacto. Y algunos de los ejemplos están etiquetados como respuestas de referencia revisadas en lugar de trazas de modelo registradas, con leyendas y trazas de transición condensadas para su publicación — una revelación que merece respetarse en lugar de leerse por encima.

¿Quién debería hacer algo al respecto ahora?

Si tienes trabajo con video en el que el modo de fallo es temporal y no semántico —la identidad de un objeto a través de un corte, un evento dentro de una ventana de menos de un segundo, un recuento que cambia cuando algo lo ocluye—, Glimpse es el primer modelo alojado cuyo mecanismo declarado apunta directamente a eso, y el registro gratuito hace que la prueba sea barata. Las trazas también hacen legible el fallo: si el espacio de borrador muestra que el modelo nunca volvió a escanear el intervalo que importaba, has aprendido algo sobre tu pipeline y no solo sobre el modelo.

Si lo que necesitas es inferencia sobre lo que implica una escena, espera. La propia tabla HSS del proveedor dice que el rebobinado no te lleva hasta ahí, y nada en el lanzamiento sugiere que la próxima versión vaya a cerrar una brecha de 7 puntos en un solo paso. Vigila tres cosas durante los próximos dos meses: si Elorian publica el modelo base sobre el que lo construyó, si algún harness independiente reproduce una fila de esa tabla, y si la ventana de contexto resulta lo bastante grande como para contener el video que un flujo de trabajo real le entrega. Las tres están actualmente en blanco, y las tres deciden si Glimpse es una capacidad o una demo.

Nada de eso es hipotético: los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.