Cabe mesmo um modelo de mundo inteiro dentro de uma única GPU, ou isso é só o começo de um problema maior? A NVIDIA lançou o SANA-WM, um modelo de mundo de código aberto com 2,6 bilhões de parâmetros capaz de gerar vídeo de até 60 segundos em 720p com controle total de câmera, rodando em uma única placa de vídeo.
O que separa o SANA-WM da maioria dos projetos dessa categoria é o controle de câmera em seis graus de liberdade, o que significa posição e orientação completas ao longo de cada quadro gerado. Dá pra partir de uma única imagem, definir uma trajetória de câmera e o modelo constrói um mundo espacialmente coerente seguindo esse caminho. Já cobri outros projetos dessa corrida quando falei sobre a Nvidia Cosmos 3, focada em simulação física, e o que fica claro comparando os dois é que a empresa está atacando o problema de modelo de mundo por múltiplas frentes ao mesmo tempo.
O número que mais chama atenção aqui é a eficiência. Numa RTX 5090 com quantização NVFP4, o modelo gera um clipe de 60 segundos em 34 segundos, mais de duas vezes a velocidade em tempo real. Isso é resultado de uma arquitetura híbrida de atenção linear, treinada em cerca de 213 mil clipes de vídeo com anotação de pose em escala métrica, um processo que levou apenas 15 dias usando 64 GPUs H100. Nos benchmarks divulgados pela NVIDIA, a qualidade visual chega perto de sistemas fechados como LingBot-World e HY-WorldPlay, com throughput até 36 vezes maior que a melhor alternativa open source disponível hoje.
O que ainda não sei é se abrir esse tipo de tecnologia via Apache 2.0 acelera a adoção real em produção de jogos e cinema, ou se só multiplica o número de projetos experimentais sem chegar em ferramenta final. Mas o fato de rodar numa única GPU de consumo já derruba a barreira mais óbvia que travava esse tipo de pesquisa até agora.