Do texto à ação: o que muda quando a saída do modelo é um comando de motor

Um modelo de linguagem produz texto para uma pessoa ler. Se sair errado, a pessoa relê, corrige o prompt, segue a vida. O custo do erro é constrangimento.

Um modelo de ação produz números que vão para um motor. Se sair errado, a garra fecha em cima da mão de alguém. O custo do erro é outro.

Essa diferença muda tudo — a arquitetura, o dado de treino, a avaliação e a responsabilidade. É o assunto desta última parte.

O que é um modelo VLA

VLA é Vision-Language-Action: visão, linguagem, ação. A ideia em uma linha: o modelo recebe o que o robô está vendo mais uma instrução em português (ou inglês), e devolve o que os motores devem fazer — direto, sem programação intermediária.

O contraste com robótica clássica é o ponto inteiro:

A última linha é a que mais surpreende quem vem de automação industrial: o trabalho não some, ele muda de lugar. Você deixa de escrever trajetórias e passa a curar dado de demonstração — que é o assunto da parte 3.

Por que "ação" é mais difícil que "texto"

Três razões técnicas, todas concretas:

1. A saída é contínua, não um símbolo. Texto sai de um vocabulário fechado — o modelo escolhe entre N tokens conhecidos. Ação é um vetor de números reais: ângulo de junta, velocidade, abertura da garra. Não há "token de 37,4 graus". A saída precisa ser discretizada em faixas ou gerada por difusão, e as duas soluções trazem os próprios problemas.

2. Não dá para desfazer. Um LLM pode se corrigir na frase seguinte. Um braço que derrubou o copo não desderruba. Isso obriga o modelo a operar em frequência alta — dezenas de decisões por segundo — porque a correção só existe se for rápida o bastante para acontecer antes da consequência.

3. O corpo faz parte do problema. E é a parte mais subestimada.

O problema do corpo

Um modelo de linguagem treinado em português serve para qualquer teclado. Um modelo de ação treinado num braço não serve para outro braço — porque o vetor de saída descreve aquele corpo.

A ficha técnica do Cosmos 3 deixa isso brutalmente explícito ao listar as dimensões aceitas:

Um modelo que aprendeu a produzir 10 números não produz 29. E não é só a contagem: o número na posição 3 significa coisas diferentes em corpos diferentes. Trocar o modelo de robô é, em boa medida, começar de novo.

O truque que resolve o gargalo de rótulo: dinâmica inversa

Esta é a ideia mais bonita da área, e a que menos aparece na cobertura.

Um modelo de mundo com condicionamento por ação sabe fazer dinâmica direta: dado o estado e a ação, qual é o próximo estado? É o modo óbvio — simular.

Mas ele também sabe o inverso — dinâmica inversa: dados dois estados, qual ação levou de um ao outro?

Pare um segundo no que isso significa. Você tem horas de vídeo de alguém executando uma tarefa, sem nenhum sensor, sem nenhuma anotação — só o vídeo. A dinâmica inversa infere os comandos que produziriam aquele movimento. Vídeo não rotulado vira dado de treino rotulado.

É a saída para o gargalo da parte 3: o dado caro não é o vídeo — é o rótulo de ação colado ao vídeo, que normalmente exige teleoperar um robô real. Se dá para inferir o rótulo, o acervo de vídeo do mundo entra em jogo.

O que dá para usar hoje

A última linha explica por que os pesos abertos importam tanto aqui. Um robô que depende de uma API remota para decidir o próximo movimento tem a rede no caminho crítico do controle — o que é ruim por latência e inaceitável por confiabilidade. Robô que precisa continuar funcionando quando a internet cai precisa do modelo local.

Onde começar, de verdade

A boa notícia é que o degrau de entrada é baixo. Um VLA de 7B é ordens de grandeza mais barato que um modelo de mundo de 64B:

Preços consultados no catálogo em 1º de setembro de 2026, por GPU avulsa, sem interrupção programada. O catálogo se move dentro do mesmo dia — confira a vitrine antes de fechar a conta.

Repare que a etapa mais cara não é rodar o modelo de ação — é fabricar o dado para ele. É a inversão que atravessa esta série inteira: em IA física, a conta está no dado, não no modelo.

A responsabilidade, sem rodeio

Vale fechar a série com o que a própria NVIDIA escreve na ficha do Cosmos 3: as saídas não devem ser tratadas como simulação fisicamente precisa nem como base para decisão em sistema crítico, e aplicação em robótica ou sistema autônomo exige validação adicional, restrições externas e análise de segurança em nível de sistema.

Traduzido para a prática: o modelo é a camada de sugestão. A camada de segurança — limite de força, parada de emergência, cerca virtual, verificação de plausibilidade antes de acionar — é engenharia clássica, determinística, e continua sendo obrigatória. Nada nesta série substitui isso.

Quem construir na ordem inversa vai descobrir do jeito caro.

Fim da série

Cinco partes, uma tese: modelos de mundo são a tentativa de ensinar consequência, não aparência. A tecnologia é real, os pesos são abertos, a licença permite uso comercial — e as limitações são exatamente as que os autores documentam, nem menos nem mais.

Se você chegou até aqui procurando saber se vale investir: o caminho barato de descobrir é começar pequeno. Um modelo de ação de 7B numa placa de 24 GB responde, em uma tarde, se a categoria resolve o seu problema — e custa menos que o almoço da equipe.

Continue: parte 3: dados sintéticos · parte 1: o que é um world model