Skip to content
ThePickNetwork
Back to news

¿Pueden los modelos de frontera ver más allá de un señuelo? Elorian pone a prueba el razonamiento visual

¿Pueden los modelos de frontera ver más allá del señuelo?
¿Pueden los modelos de frontera ver más allá del señuelo?
¿Pueden los modelos de frontera ver más allá del señuelo? Imagen: Lau / BY vía Openverse.

Este mes, Elorian presentó su primer modelo de razonamiento visual, Glimpse, promovido como «una nueva categoría de modelo de pensamiento visual: un sistema que razona sobre el mundo físico a partir de lo que ve». Para comprobar cómo se compara con los modelos de frontera y con los llamados modelos de mundo, la compañía publicó junto a la empresa de datos Mercor un nuevo benchmark: DecoyCount, que prueba si los modelos de lenguaje cuentan de verdad los objetos de una imagen o se apoyan en atajos visuales y heurísticas de sustitución.

Los modelos de frontera, por debajo del 50 %

Los resultados del artículo que acompaña al lanzamiento son ilustrativos: los modelos de frontera obtuvieron menos del 50 % de precisión. La mejor marca fue para GPT-6 Astra, con un 43,17 %. Según contó a Latent Space el consejero delegado de Elorian, Andrew Dai, Glimpse alcanzó un 50,48 % en una prueba interna sobre los 1.660 ítems de DecoyCount, con las imágenes y textos de evaluación excluidos del entrenamiento y sin solapamiento detectado en la comprobación de contaminación. Sería el único modelo del conjunto en superar el 50 %; Gemini-3.8-flash quedó en un 32,71 %, Qwen3.8-max en un 28,31 % y Claude-Fable-5.1 en un 25,22 %. Dai matiza, eso sí, que la cifra de Glimpse proviene de una sola ejecución, sin agente ni herramientas, mientras que los seis modelos del paper promedian tres pasadas con sus ajustes oficiales.

La conclusión del artículo es contundente: «un razonamiento general más potente no se generaliza por sí solo a un razonamiento visual alineado». Y es que DecoyCount detecta algo que la mayoría de los benchmarks pasa por alto: distingue entre fallos de visión y fallos de juicio. Si una persona ve una manzana frente a un espejo, sabe que hay una sola manzana reflejada; un modelo puede no ver la manzana (un problema de visión) o contar la manzana y su reflejo como dos (un problema de razonamiento). Como la mayoría de las pruebas solo comprueban el número final, ambos errores se tratan igual, lo que impide atacar la causa raíz.

Pensar con imágenes, no solo sobre ellas

Andrew Dai no es un recién llegado: en 2015, en Google, coautorizó con Quoc Le el trabajo de «semi-supervised sequence learning», una versión temprana del enfoque de preentrenar y después ajustar que adoptarían luego los grandes modelos de lenguaje, y después trabajó en DeepMind en GLaM MoE, PaLM 2 y Gemini. Su apuesta en Elorian —que surgió del modo discreto en abril con 55 millones de dólares de ronda semilla— se apoya en un concepto de la psicología humana: el pensamiento visual. Cuando la gente aborda problemas espaciales, «visualiza el problema generando y editando imágenes en su mente», explica; si cuenta personas alrededor de una mesa, puede «tacharlas mentalmente una a una». Elorian intenta enseñar exactamente eso a sus modelos: generación y edición de imágenes como parte de la cadena de razonamiento, junto con el lenguaje.

Frente a los modelos de mundo como Atlas de World Labs o el reciente Genie 4 de Google, Dai marca la diferencia entre acción directa y acción indirecta: los modelos de mundo permiten actuar dentro de un entorno simulado, mientras que el razonamiento visual de Glimpse busca informar decisiones y flujos de trabajo. No hace falta una simulación 3D para decidir si un vídeo de usuario viola una norma de contenido.

Aplicaciones y ambiciones

Elorian reclama además igualdad o mejor puntuación que los modelos de frontera en dos benchmarks de robótica, WGO Bench y ERQA, a un precio sensiblemente menor. Dai insiste en que razonar sobre lo que se ve es crucial para la precisión en aplicaciones reales: una bandeja de doce ranuras puede contener solo diez piezas, y una etiqueta de veinticuatro unidades no garantiza que queden veinticuatro en la caja. «Glimpse está diseñado para trabajar la imagen en lugar de saltar a una conclusión rápida», afirma. La compañía llega a sostener que el razonamiento visual es un requisito fundacional para la AGI, aunque Dai reconoce que aún existe «una enorme brecha entre humanos y máquinas». Por ahora, DecoyCount deja al menos una certeza: ver y entender siguen siendo dos problemas distintos, y los modelos aún no han resuelto el segundo.

Let’s talk about your project

Reply within 24 business hours, on whichever channel you prefer.