A Decart lançou o Oasis 3 esta semana, um world model interativo em tempo real que gera cenas de direção fotorrealistas a partir de um único prompt de texto, disponível via API no que o TechCrunch reportou como uma exclusiva. Ele produz uma vista multi-câmera construída para trabalho de veículo autônomo, um fluxo frontal e dois laterais, gerando cerca de 8000 tokens por frame de forma auto-regressiva a dezenas de frames por segundo. Roda sobre hardware NVIDIA, Amazon e Google através da camada de otimização própria da Decart, a dois centavos por segundo de mundo gerado. O CEO Dean Leitersdorf diz que custa mais de uma ordem de magnitude menos para rodar do que qualquer outra coisa na área, e que é o primeiro world model usável o bastante para as pessoas realmente programarem em cima.

As ressalvas não estão enterradas, elas são o ponto, e a manchete diz isso. Numa sessão longa o mundo deriva: as ruas de Nova York derretem em cidade genérica, e se você se vira e volta, o lugar que você deixou se foi e foi substituído. O controle direcional escapa das suas mãos. E o modelo não simula colisões, os carros se atravessam direto, porque, diz Leitersdorf, os dados de treinamento têm muito mais boa direção do que acidentes. Ele chama a lacuna das colisões de um problema de pesquisa maior que a empresa está resolvendo agora. O resumo honesto é que sessões longas parecem dream-like e desconexas, fotorrealistas frame a frame mas nem coerentes nem físicas ao longo do tempo.

Essa lacuna importa precisamente por causa do pitch. O caso de uso é treinamento de veículo autônomo, e a coisa mais valiosa que um simulador AV pode produzir é o momento perigoso: o quase-acidente, o fechada, a colisão que você quer que o carro aprenda a evitar. O Oasis 3 renderiza a rua lindamente e ainda não consegue renderizar a batida fisicamente. Então a aposta é fotorrealismo-primeiro, física-depois, barato e programável agora. É uma aposta diferente do resto da área: o Genie 3 da DeepMind é um world model geral trancado atrás de um tier de $200 por mês, o world model da Waymo é treinado sobre 50 milhões de milhas autônomas reais, o Cosmos da NVIDIA mira o raciocínio físico diretamente. A Decart tem dois anos, levantou uma rodada de $300 milhões a uma valuation de aproximadamente $4 bilhões com Toyota, Adobe, eBay e NVIDIA dentro, diz ter queimado bem menos de $100 milhões no total, e já roda a Lucy, um video model em tempo real, para uma comunidade de mais de 100 000 desenvolvedores.

Para o fio que vimos acompanhando, este é o primeiro data point comercial, e primeiro honestamente-ressalvado, em world-models-como-substrato-de-treinamento, a pista que o Genie 3 abriu há dois dias. O substrato agora é entregável, com preço de tabela, e uma ordem de magnitude mais barato do que o esperado, que é a parte que vai atrair os builders. Mas a ressalva é o sinal real: usável e fisicamente fiel ainda não são a mesma coisa, e para treinamento embodied essa distinção é o jogo inteiro. Um simulador onde os carros se atravessam pode ensinar a um stack de percepção como uma rua se parece, mas não ensinar a um stack de planejamento o que fazer quando outro carro não cede. O roadmap da Decart, geração baseada em vídeo em vez de prompts de imagem, contexto mais longo, e compressão de memória para a consistência, mira direto na lacuna. Se fotorrealismo-primeiro ou física-primeiro vence para treinar agentes embodied é agora uma pergunta viva com uma etiqueta de preço anexada, e as primeiras respostas reais virão de quem quer que tente treinar sobre o Oasis 3 e reporte de volta.