Decart ने इस हफ्ते Oasis 3 लॉन्च किया, एक real-time interactive world model जो एक ही text prompt से photorealistic driving दृश्य बनाता है, API के जरिए उपलब्ध, जिसे TechCrunch ने exclusive के रूप में रिपोर्ट किया। यह autonomous-vehicle काम के लिए बना एक multi-camera view देता है, एक front और दो side stream, हर frame में लगभग 8000 tokens auto-regressively बनाते हुए, दसियों frames प्रति सेकंड पर। यह Decart की अपनी optimization परत के जरिए NVIDIA, Amazon और Google hardware पर चलता है, generated world के प्रति सेकंड दो सेंट पर। CEO Dean Leitersdorf कहते हैं कि इसे चलाना क्षेत्र की किसी भी और चीज से एक order of magnitude से ज्यादा सस्ता है, और यह पहला world model है जो इतना usable है कि लोग सच में उसके ऊपर program कर सकें।
Caveats दबाए नहीं गए हैं, वे ही बात हैं, और headline यही कहता है। एक लंबे run पर दुनिया बहक जाती है: New York की सड़कें एक generic शहर में पिघल जाती हैं, और अगर आप मुड़कर वापस आएं, तो जो जगह आपने छोड़ी थी वह जा चुकी और बदल चुकी होती है। दिशात्मक control आपके हाथ से फिसल जाता है। और model collisions simulate नहीं करता, गाड़ियां सीधे एक-दूसरे के आर-पार निकल जाती हैं, क्योंकि, Leitersdorf कहते हैं, training data में दुर्घटनाओं से कहीं ज्यादा अच्छी driving है। वे collision की इस कमी को एक बड़ी research समस्या कहते हैं जिसे कंपनी अभी हल कर रही है। ईमानदार सारांश यह है कि लंबे sessions dream-like और बिखरे हुए लगते हैं, frame दर frame photorealistic पर समय के पार न सुसंगत न physical।
यह कमी ठीक इसी pitch की वजह से मायने रखती है। Use case autonomous-vehicle training है, और एक AV simulator जो सबसे कीमती चीज बना सकता है वह है खतरनाक पल: करीब-करीब टक्कर, बीच में कटना, वह collision जिसे आप चाहते हैं कि car बचना सीखे। Oasis 3 सड़क को खूबसूरती से render करता है और अभी तक उस crash को physically render नहीं कर सकता। तो दांव है photorealism-पहले, physics-बाद में, अभी सस्ता और programmable। यह बाकी क्षेत्र से अलग दांव है: DeepMind का Genie 3 एक general world model है जो $200 प्रति माह वाले tier के पीछे बंद है, Waymo का world model 5 करोड़ असली autonomous miles पर train है, NVIDIA का Cosmos सीधे physical reasoning को निशाना बनाता है। Decart दो साल पुराना है, उसने Toyota, Adobe, eBay और NVIDIA के साथ लगभग $4 अरब valuation पर $300 मिलियन का round जुटाया, कहता है कि कुल मिलाकर $100 मिलियन से काफी कम खर्च किया, और पहले से एक real-time video model, Lucy, को 1 लाख से ज्यादा developers के समुदाय के लिए चलाता है।
जिस thread को हम track कर रहे हैं, उसके लिए यह world-models-as-training-substrate में पहला commercial, और पहला ईमानदारी-से-caveated, data point है, ठीक वह lane जो Genie 3 ने दो दिन पहले खोली। substrate अब shippable है, कीमत-लगी, और उम्मीद से एक order of magnitude सस्ता, यही वह हिस्सा है जो builders को खींचेगा। पर caveat ही असली संकेत है: usable और physically faithful अभी एक ही चीज नहीं हैं, और embodied training के लिए यह फर्क पूरा खेल है। एक simulator जहां गाड़ियां आर-पार निकलती हैं, एक perception stack को सिखा सकता है कि सड़क कैसी दिखती है, पर एक planning stack को नहीं सिखा सकता कि जब दूसरी गाड़ी रास्ता न दे तो क्या करना है। Decart का roadmap, यानी image prompts के बजाय video-based generation, लंबा context, और consistency के लिए memory compression, सीधे उस कमी को निशाना बनाता है। photorealism-पहले या physics-पहले, embodied agents को train करने में कौन जीतता है, अब एक जीवंत सवाल है जिस पर कीमत का tag लगा है, और पहले असली जवाब उसी से आएंगे जो Oasis 3 पर train करने की कोशिश करे और वापस रिपोर्ट करे।