Decart lanzó Oasis 3 esta semana, un world model interactivo en tiempo real que genera escenas de conducción fotorrealistas desde un solo prompt de texto, disponible vía API en lo que TechCrunch reportó como una exclusiva. Produce una vista multi-cámara construida para trabajo de vehículo autónomo, un flujo frontal y dos laterales, generando alrededor de 8000 tokens por frame de forma auto-regresiva a decenas de frames por segundo. Corre sobre hardware NVIDIA, Amazon y Google a través de la capa de optimización propia de Decart, a dos centavos por segundo de mundo generado. El CEO Dean Leitersdorf dice que cuesta más de un orden de magnitud menos correr que cualquier otra cosa en el campo, y que es el primer world model lo bastante usable como para que la gente realmente pueda programar encima.

Las salvedades no están enterradas, son el punto, y el titular lo dice. En una sesión larga el mundo se desvía: las calles de Nueva York se derriten en ciudad genérica, y si te das la vuelta y regresas, el lugar que dejaste se fue y fue reemplazado. El control direccional se te escapa de las manos. Y el modelo no simula colisiones, los autos se atraviesan directo, porque, dice Leitersdorf, los datos de entrenamiento tienen mucha más buena conducción que accidentes. Llama al hueco de las colisiones un problema de investigación mayor que la compañía está resolviendo ahora. El resumen honesto es que las sesiones largas se sienten dream-like y deshilvanadas, fotorrealistas frame por frame pero ni coherentes ni físicas a lo largo del tiempo.

Ese hueco importa precisamente por el pitch. El caso de uso es entrenamiento de vehículo autónomo, y la cosa más valiosa que un simulador AV puede producir es el momento peligroso: el casi-choque, el cierre, la colisión que quieres que el auto aprenda a evitar. Oasis 3 renderiza la calle bellamente y todavía no puede renderizar el choque físicamente. Así que la apuesta es fotorrealismo-primero, física-después, barato y programable ahora. Es una apuesta diferente del resto del campo: el Genie 3 de DeepMind es un world model general encerrado tras un tier de $200 al mes, el world model de Waymo está entrenado sobre 50 millones de millas autónomas reales, el Cosmos de NVIDIA apunta al razonamiento físico directamente. Decart tiene dos años, levantó una ronda de $300 millones a una valuación de aproximadamente $4 mil millones con Toyota, Adobe, eBay y NVIDIA adentro, dice haber quemado bastante menos de $100 millones en total, y ya corre Lucy, un video model en tiempo real, para una comunidad de más de 100 000 desarrolladores.

Para el hilo que venimos siguiendo, este es el primer data point comercial, y primero honestamente-advertido, en world-models-como-substrato-de-entrenamiento, el carril que Genie 3 abrió hace dos días. El substrato ahora es desplegable, con precio de lista, y un orden de magnitud más barato de lo esperado, que es la parte que va a atraer a los builders. Pero la salvedad es la señal real: usable y físicamente fiel todavía no son lo mismo, y para entrenamiento embodied esa distinción es todo el juego. Un simulador donde los autos se atraviesan puede enseñarle a un stack de percepción cómo se ve una calle, pero no enseñarle a un stack de planificación qué hacer cuando otro auto no cede. La roadmap de Decart, generación basada en video en vez de prompts de imagen, contexto más largo, y compresión de memoria para la consistencia, apunta directo al hueco. Si fotorrealismo-primero o física-primero gana para entrenar agentes embodied es ahora una pregunta viva con una etiqueta de precio adjunta, y las primeras respuestas reales vendrán de quien sea que intente entrenar sobre Oasis 3 y reporte de vuelta.