Decart a lancé Oasis 3 cette semaine, un world model interactif temps réel qui génère des scènes de conduite photoréalistes à partir d'un seul prompt texte, disponible via API dans ce que TechCrunch a rapporté en exclusivité. Il produit une vue multi-caméra bâtie pour le travail de véhicule autonome, un flux avant et deux flux de côté, générant environ 8000 tokens par frame de façon auto-régressive à des dizaines de frames par seconde. Il roule sur du hardware NVIDIA, Amazon et Google à travers la couche d'optimisation maison de Decart, à deux cents la seconde de monde généré. Le CEO Dean Leitersdorf dit que ça coûte plus d'un ordre de grandeur moins cher à rouler que n'importe quoi d'autre dans le domaine, et que c'est le premier world model assez utilisable pour que le monde puisse vraiment programmer par-dessus.

Les caveats sont pas enterrés, ils sont le point, et le titre le dit. Sur une longue session le monde dérive : les rues de New York fondent en ville générique, et si tu te retournes pour revenir, la place que t'as quittée est partie et remplacée. Le contrôle directionnel te glisse des mains. Et le modèle ne simule pas les collisions, les chars se traversent direct, parce que, dit Leitersdorf, les données d'entraînement contiennent bien plus de bonne conduite que d'accidents. Il appelle le trou des collisions un problème de recherche majeur que la compagnie craque en ce moment. Le résumé honnête, c'est que les longues sessions feel dream-like et décousues, photoréalistes frame par frame mais ni cohérentes ni physiques à travers le temps.

Ce trou compte précisément à cause du pitch. Le use case, c'est l'entraînement de véhicule autonome, et la chose la plus précieuse qu'un simulateur AV peut produire, c'est le moment dangereux : le quasi-accident, la coupure, la collision que tu veux que le char apprenne à éviter. Oasis 3 rend la rue magnifiquement et peut pas encore rendre le crash physiquement. Donc le pari, c'est photoréalisme-d'abord, physique-plus-tard, cheap et programmable maintenant. C'est un pari différent du reste du domaine : le Genie 3 de DeepMind est un world model général barré derrière un tier à 200 $ par mois, le world model de Waymo est entraîné sur 50 millions de milles autonomes réels, le Cosmos de NVIDIA vise le raisonnement physique directement. Decart a deux ans, a levé un round de 300 millions à une valuation d'environ 4 milliards avec Toyota, Adobe, eBay et NVIDIA dedans, dit avoir brûlé bien moins de 100 millions au total, et roule déjà Lucy, un video model temps réel, pour une communauté de 100 000 développeurs et plus.

Pour le fil qu'on track, c'est le premier data point commercial, et premier honnêtement-caveaté, dans les world-models-comme-substrate-d'entraînement, la lane que Genie 3 a ouverte il y a deux jours. Le substrate est maintenant shippable, prix-listé, et un ordre de grandeur moins cher qu'attendu, ce qui est la partie qui va attirer les builders. Mais le caveat est le vrai signal : utilisable et physiquement fidèle, c'est pas encore la même chose, et pour l'entraînement embodied cette distinction est toute la game. Un simulateur où les chars se traversent peut enseigner à une stack de perception à quoi ressemble une rue, mais pas enseigner à une stack de planification quoi faire quand un autre char ne cède pas. La roadmap de Decart, génération basée vidéo au lieu de prompts image, contexte plus long, et compression mémoire pour la cohérence, vise direct le trou. Si photoréalisme-d'abord ou physique-d'abord gagne pour l'entraînement d'agents embodied est maintenant une question live avec une étiquette de prix attachée, et les premières vraies réponses viendront de quiconque essaie de s'entraîner sur Oasis 3 et fait un rapport.