A Meta FAIR lançou o Sapiens2 esta semana — paper aceito na ICLR 2026, pesos no GitHub em facebookresearch/sapiens2 — e o recurso de manchete é que a família inteira agora roda em resolução 1K nativamente, com uma variante hierárquica de 1B parâmetros treinada em 4096×3072. A maioria dos modelos fundacionais de visão humana anteriores trava em 256 ou 512 porque os custos de compute e dados para ir mais alto são punitivos. A equipe do Sapiens2 treinou em um dataset curado de 1 bilhão de imagens humanas (subindo de cerca de 300 milhões no Sapiens v1) e usou uma combinação de reconstrução de imagem mascarada com objetivos contrastivos auto-destilados para aprender tanto detalhes de baixo nível quanto semântica de alto nível no mesmo backbone. A família de modelos vai de 0,4B a 5B parâmetros, todos usando tamanho de patch 16, com o tamanho base treinado em 1024×768.

O conjunto de saídas é o que torna isso útil para trabalho real de produção, não apenas benchmarks de paper. Um único modelo Sapiens2 produz estimativa de pose, segmentação de partes do corpo, normais de superfície, pointmap (primitiva de reconstrução 3D) e albedo (cor intrínseca de superfície, desacoplada de iluminação). Esse último par é novo comparado ao Sapiens v1, e pointmap + albedo juntos são as primitivas que você precisa para avatares humanos 3D re-iluminados — que é onde a linhagem do modelo se conecta ao trabalho Codec Avatars da Meta. Os benchmarks contra v1 não são modestos: +4 mAP em pose, +24,3 mIoU em segmentação de partes do corpo, e 45,6% menos erro angular em estimativa de normais. Uma melhoria de 24 pontos em mIoU de segmentação é o tipo de salto que torna a geração anterior obsoleta em vez de incrementá-la.

A leitura estratégica é que a Meta está se posicionando isso como a resposta open-weights aos pipelines proprietários de mocap e avatares que têm dominado as indústrias AR/VR e de efeitos visuais. A maioria dos stacks de visão humana existentes nesse nível de qualidade são construídos sobre datasets fechados e componentes licenciados — Vicon, Marker.io, os vários SDKs de body-tracking — e o Sapiens2 entrega os pesos publicamente sob uma licença permissiva consistente com lançamentos FAIR anteriores. Para um estúdio pequeno ou um laboratório de pesquisa que antes precisava licenciar um SDK de body-tracking ou treinar um stack proprietário, o cálculo mudou. O modelo não é mágica; ele ainda precisa de limpeza para mocap de produção, calibração para câmeras específicas e trabalho de rigging para mover avatares, mas a camada fundacional que costumava custar dinheiro real agora é baixável.

Para desenvolvedores trabalhando em visão centrada em humanos — VR/AR, tecnologia de fitness, análise esportiva, telepresença, fotogrametria, prova virtual, pipelines de captura de movimento — o Sapiens2 vale uma avaliação séria. As variantes 1K e 4K são a manchete; a arquitetura multi-tarefa de modelo único é o ganho prático de produtividade porque você obtém pose, segmentação, normais e primitivas 3D de uma única passagem de inferência em vez de cinco. O lançamento de open-weights significa que você pode fine-tunar na sua aplicação específica, distribuições de tipo corporal ou condições de iluminação sem passar por um ciclo de licença de vendor. As ressalvas honestas são que a variante de 5B parâmetros do topo é pesada o suficiente para precisar de infraestrutura GPU real para servir em taxas de quadro de vídeo, e o conjunto de treinamento de 1 bilhão de imagens tem sua própria distribuição demográfica que afeta a equidade em casos extremos — a Meta ainda não publicou o desdobramento demográfico e a pesquisa prévia de tracking do campo sugere que a cauda longa é onde esses modelos ainda falham. Rode seu próprio conjunto de avaliação antes de fazer deploy.