Uma máquina de macarrão soltando fios de massa parece um vídeo banal, até alguém pedir para uma IA transformar aquilo numa cena 3D que se mexe do mesmo jeito. É esse tipo de desafio que está no 4DCodeBench, um benchmark divulgado no arXiv em 5 de outubro por pesquisadores da Johns Hopkins University, de Stanford, do MIT e do Max Planck Institute for Intelligent Systems, entre eles Joshua Tenenbaum, Alan Yuille e Jiajun Wu.

A ideia, descrita na página oficial do projeto, é testar agentes de programação em gráficos inversos. O agente recebe um vídeo e precisa escrever código que define a geometria dos objetos, o movimento ao longo do tempo e os parâmetros de renderização, até que o resultado se pareça com a filmagem. No exemplo de capa do projeto, o código gera a geometria 4D da massa e entrega o render no Cycles, do Blender. São 200 tarefas, metade com vídeos reais e metade simulados, divididas entre corpos rígidos e articulados, sólidos deformáveis, estruturas como tecido e corda, e materiais que escorrem.

Dezoito agentes e modelos foram comparados. O GPT-6 Astra, no nível máximo de raciocínio, ficou na frente, com o Claude Opus 5.5 logo atrás, e os modelos de pesos abertos ficaram bem para trás. Mais de 90% das submissões rodaram do começo ao fim, o que já diz muito sobre quanto essas ferramentas avançaram em código.

Os números de movimento contam outra história. Os melhores modelos chegam a 0,91 na geometria estática e caem para 0,67 na dinâmica. Em 67% dos casos, os agentes preferiram desenhar curvas de animação ajustadas à mão em vez de montar uma simulação física, e só passaram a simular mais quando ganharam mais esforço de raciocínio. Vídeo real foi mais difícil que vídeo simulado em todos os casos.

Fico com a impressão de que a IA repete o caminho de muito estudante de 3D, que aprende a modelar rápido e demora anos para entender peso, inércia e tempo. O Cinema 4D, que ganhou um servidor MCP para aceitar ordens de assistentes como o Claude, já mostra agentes mexendo direto em cena de produção, e um teste como esse ajuda a separar o que eles fazem bem do que ainda fingem fazer.

Uma curva de animação feita à mão que parece certa no vídeo e uma simulação que entende a física da massa podem gerar o mesmo frame, e só a segunda continua funcionando quando alguém muda a velocidade da manivela.