Peça a um gerador de vídeo uma cena de "um copo caindo da mesa" e você recebe um clipe convincente. Peça a mesma coisa e depois pergunte "e se a mesa estivesse 20 cm mais alta?" — e o modelo não tem como responder, porque ele nunca modelou a mesa. Ele modelou pixels que costumam aparecer juntos.
Essa é a fronteira inteira. Um world model — modelo de mundo — é um modelo treinado para responder à segunda pergunta.
1. O que é um world model ← você está aqui · 2. Cosmos 3 por dentro · 3. Dados sintéticos · 4. Dividir entre GPUs · 5. Do texto à ação
A pergunta que separa as duas coisas
Um gerador de vídeo aprende uma distribuição: que sequências de imagens são plausíveis? É um problema de aparência. O resultado é julgado por quem assiste.
Um modelo de mundo aprende uma dinâmica: dado o estado atual e uma ação, qual é o próximo estado? É um problema de consequência. O resultado é julgado por quem age em cima dele — um braço robótico, um planejador de rota, um sistema de controle.
Escrito como função, a diferença fica óbvia:
| Gerador de vídeo | Modelo de mundo | |
|---|---|---|
| Entrada | texto (ou imagem) | estado + ação |
| Saída | um vídeo | o próximo estado (que pode ser vídeo) |
| Critério de acerto | ficou bonito e coerente? | aconteceria isso mesmo? |
| Quem consome | uma pessoa | um sistema de controle |
| Erro típico | artefato visual | decisão errada no mundo real |
É por isso que a palavra "ação" aparece em todo material sério sobre o assunto. Sem um canal de entrada para a ação, você não tem um modelo de mundo — tem um gerador com marketing melhor.
Os três requisitos que a maioria não cumpre
Na prática, para servir como modelo de mundo, o sistema precisa de três coisas ao mesmo tempo. Faltando uma, ele vira outra categoria de produto:
- Condicionamento por ação. Você precisa conseguir dizer "o braço se move 3 cm para a esquerda" e ver o efeito. Não é o mesmo que descrever a ação em texto: é injetar um vetor numérico por quadro.
- Coerência de estado ao longo do tempo. O objeto que saiu do quadro precisa continuar existindo quando a câmera volta. É a parte mais difícil, e a que mais falha.
- Interatividade ou horizonte longo. Ou o modelo aceita uma nova ação a cada passo (interativo), ou consegue projetar dezenas de segundos coerentes de uma vez. Cinco segundos não simulam nada.
Um simulador clássico (um motor de física) calcula a consequência a partir de leis: massa, atrito, colisão. Ele acerta a física e erra a aparência — mundos de simulador parecem de plástico.
Um modelo de mundo aprende a consequência a partir de vídeo. Ele acerta a aparência e aproxima a física. Os dois erram, em direções opostas — e é por isso que quem trabalha a sério com robô usa os dois, não um só.
Quem está construindo, em setembro de 2026
A corrida tem quatro apostas bem diferentes, e vale entender a diferença porque elas não competem exatamente pelo mesmo lugar:
| Aposta | Quem | A ideia |
|---|---|---|
| Cosmos | NVIDIA | Modelo omnimodal aberto, focado em gerar dados e simular cena para robótica e veículo autônomo. Pesos baixáveis. |
| Genie | Google DeepMind | Ambiente interativo gerado a partir de texto, navegável em tempo real. A aposta mais próxima de "videogame que não existia". |
| JEPA | Meta / AMI Labs | Prever no espaço de representações, não de pixels. A tese de que gerar pixel é desperdício de capacidade. |
| Marble | World Labs | Reconstrução de cena 3D persistente — o mundo como objeto navegável, não como vídeo. |
A tese da JEPA merece um parágrafo porque é a mais contrária: prever cada pixel gasta a maior parte da capacidade do modelo em detalhe irrelevante (a textura exata do asfalto). Prever num espaço abstrato de representações concentra o modelo no que importa para decidir. É a linha de Yann LeCun, hoje na AMI Labs, e é uma aposta explícita contra a arquitetura que domina os LLMs.
Quem tem razão ainda é uma questão aberta. O que já é fato é que os pesos abertos, hoje, estão do lado que gera pixel — e é por isso que a parte prática desta série é sobre eles.
Para que isso serve de verdade
Tirando a demonstração bonita, há três usos que pagam a conta:
1. Fabricar dado de treino que não existe. É o uso dominante hoje, e o assunto da parte 3. Coletar 10 mil horas de robô real é caro; gerar a variação rara — a criança que atravessa correndo, a caixa que escorrega — é barato.
2. Avaliar uma política sem quebrar nada. Antes de rodar um controlador novo no robô físico, você o roda contra o modelo de mundo e vê onde ele se enrosca. Errar em simulação custa segundos de GPU; errar no galpão custa um braço mecânico.
3. Planejar por imaginação. O sistema projeta mentalmente três ações possíveis, vê o resultado previsto de cada uma e escolhe. É a promessa mais alta e a menos madura — depende exatamente da precisão física que os modelos ainda não têm.
O que ainda não funciona — e quem diz isso é a própria NVIDIA
Vale citar, porque é raro um fornecedor documentar as próprias falhas com essa clareza. A ficha técnica do Cosmos 3 lista, sem rodeio: objetos que somem ou se deformam, colisões irreais, deriva de estado em sequência longa, e o motivo — o modelo não tem simulador de física dentro. Geometria 3D, permanência de objeto e dinâmica de contato são aproximadas, não calculadas.
A NVIDIA escreve, na própria página do modelo, que as saídas não devem ser tratadas como simulação fisicamente correta, verdade de referência confiável, nem base para decisão em sistema crítico.
Aplicação em robótica, veículo autônomo ou planejamento com risco à segurança exige validação adicional, restrições externas e análise de segurança em nível de sistema. Um modelo de mundo é uma fonte de hipótese, não uma autoridade.
O que muda para quem tem uma GPU hoje
Modelo de mundo é a categoria mais cara de rodar que existe em pesos abertos, e por um motivo estrutural: ele precisa manter dezenas de quadros coerentes simultaneamente na memória, com atenção temporal entre eles. Não é um problema de LLM em maior escala — é um perfil de consumo diferente.
| O que você quer fazer | Placa realista | Preço/h |
|---|---|---|
| Rodar um modelo de ação (VLA) de 7B, ajustar em robô próprio | 24 GB | R$ 3,18 |
| Gerar clipes curtos com modelo de vídeo aberto | 48 GB | R$ 7,08 |
| Servir um modelo de mundo grande, sem paralelismo | não cabe em uma placa | — |
| Servir um modelo de mundo grande, em bloco | 2 a 8 placas de 141 GB | ver parte 4 |
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.
A linha do meio é a que surpreende: o modelo de ponta desta categoria tem 132,7 GB só de pesos. Nenhuma placa única do mercado comporta isso — nem a de 141 GB, porque ainda sobra a ativação. A parte 4 mostra como se divide, e a conta contraintuitiva de que mais GPU compra tempo, não economia.
Como ler o resto da série
Esta parte foi o mapa. As próximas descem ao concreto:
- Parte 2 — o Cosmos 3 por dentro: as duas torres de transformer, os cinco checkpoints, e quanto custa a hora.
- Parte 3 — dado sintético: por que é o uso que paga a conta, e onde ele engana.
- Parte 4 — 132 GB não cabem numa placa: os quatro tipos de paralelismo, em português.
- Parte 5 — do texto à ação: o que muda quando a saída do modelo é um comando de motor.
Experimentar antes de decidir
Modelo de mundo grande é caro. Modelo de ação de 7B roda numa placa de 24 GB por R$ 3,18 a hora, cobrado por hora de uso, em reais e sem contrato. É o jeito honesto de descobrir se a categoria resolve o seu problema antes de dimensionar um bloco de oito placas.
Ver o catálogo →Continue: parte 2: o Cosmos 3 por dentro · parte 3: dados sintéticos