Un mundo generado por vídeo a 60 fps en una sola RTX 5090

Kunlun Tech, la empresa china detrás del navegador Opera y de la app de karaoke StarMaker, publicó un juego este mes. No un juego hecho con IA. Un juego en el que el juego es un modelo de vídeo, corriendo a 60 fotogramas por segundo en una sola RTX 5090.
El proyecto es Matrix-Game 4.0, y la descripción de la empresa es inusualmente concreta sobre el bucle: el código genera la lógica del juego, restricciones estructuradas definen el fotograma y el modelo de vídeo lo renderiza en tiempo real. La cifra asociada a ese bucle es una imagen 480p a 60fps con latencia de entrada de extremo a extremo por debajo de 150 milisegundos.
Si esos números se sostienen, es la primera vez que un world model es jugable en lugar de solo visible. Eso es otra categoría de cosa.
Por qué 150 milisegundos es el número que importa
Los modelos de vídeo llevan unos dos años generando metraje convincente. El problema nunca fue la calidad de un clip suelto. Era el bucle.
Un world model interactivo tiene que hacer algo que un generador de vídeo no hace: responder a la entrada dentro del tiempo que un humano percibe como inmediato, y recordar lo que pasó antes. Falla lo primero y parece escritorio remoto. Falla lo segundo y el mundo deriva: te giras y la puerta se ha movido, el pasillo es otro pasillo.
El material público de Kunlun describe justo esos dos fallos como aquello contra lo que se construyó el 4.0: modelos interactivos tradicionales que dependen de clústeres de centro de datos con varias GPU, dificultad para mantener el estado del mundo y deriva visual en horizontes largos. La corrección que anuncian es ingeniería de inferencia, no un modelo más grande, y por eso la entrega es 480p y no 1080p. No se puede tener resolución, tasa de fotogramas y latencia a la vez en una sola tarjeta. Eligieron las dos que lo hacen jugable.
480p no es una imagen bonita. En un monitor de 27 pulgadas parece vídeo de 2008. Pero basta para comprobar si una idea de juego funciona, y ese es todo el mercado de los prototipos de juego.

El bucle en tres partes, sin el marketing
“El código genera la lógica del juego, restricciones estructuradas del fotograma, renderizado en tiempo real del modelo de vídeo” es una frase comprimida. Descomprimida, es un reparto de trabajo bastante elegante.
La capa de código se ocupa de las reglas. Vida, inventario, cooldowns, colisión, estado de misión. Es programación de juegos normal, determinista, barata y fácil de inspeccionar. Y, sobre todo, significa que al world model no se le pide recordar que el jugador tiene una llave. La llave es una variable.
La capa de restricciones se ocupa de la composición. Dónde está la cámara, qué entra en el encuadre, cómo se ilumina la escena, qué lleva puesto el personaje. En lugar de un prompt de texto que describa una escena, el modelo recibe una descripción estructurada de la escena que debe renderizar a continuación. Es una tarea mucho más estrecha que “genera un juego”, y las tareas estrechas son las que los sistemas en tiempo real pueden permitirse.
El modelo de vídeo se ocupa de los píxeles. Renderiza el fotograma restringido, condicionado al anterior para que el movimiento sea continuo.
Lo interesante es que eso mete al world model en la caja más pequeña posible. No es el juego. Es el renderizador, y todo lo que hace que un juego sea un juego vive fuera, en código que puedes depurar. Compáralo con el enfoque de “un prompt, un mundo”, que es mágico durante treinta segundos e inmantenible durante treinta minutos.
Sin assets de arte, y esa es la afirmación real
Lee con cuidado la formulación de la empresa: el modelo “valida un nuevo paradigma de desarrollo de juegos que no requiere assets de arte preconstruidos”.
Es la parte con dientes económicos. Un prototipo de juego hoy cuesta artistas. Incluso un prototipo en greybox necesita a alguien que haga el greybox, y ese alguien suele ser la persona más cara del equipo. Si el renderizador inventa el pasillo mientras caminas por él, el coste del prototipo se desploma a diseño más código.
También explica el Coding Agent del lanzamiento: describes la escena, las reglas y la interacción en lenguaje natural, el agente escribe la capa de lógica del juego y el modelo de vídeo renderiza lo que produzca la lógica. El público natural no son los estudios. Es una persona con una idea y una 5090.
El material para inversores de Kunlun hace la comparación explícita: señala el número creciente de lanzamientos en Steam este año como prueba de que la barrera de entrada baja. Es una empresa hablando de su propio libro, pero la dirección es difícil de discutir.
Qué arregló el 4.0 respecto al 3.5
La versión 3.5, a principios de año, trabajaba memoria de escena a largo plazo, consistencia entre vistas, geometría espacial y control de cámara. Esos cuatro puntos describen con precisión lo que hace que un mundo generado parezca falso: vuelves a una sala y ha cambiado, orbitas un objeto y la parte de atrás está inventada, la cámara atraviesa una pared.
El 4.0 se presenta como la versión en la que el bucle se cierra. Si la deriva está realmente resuelta es la pregunta que querría responder con diez minutos de uso y no con un vídeo de demostración, porque la deriva es el tipo de problema que se esconde en los primeros noventa segundos y te embosca en el minuto diez.
La capa estratégica
Kunlun lleva dos líneas de world model. Matrix-Game es para mundos digitales: juegos de IA, simulación digital, agentes generales. Una filial, Riemann Dynamics, lleva una línea aparte llamada Riemann-1.0 para IA física: manipulación robótica, vídeo humano en primera persona, demostraciones teleoperadas, simulación a real.
Merece la pena fijarse en esa separación porque refleja un debate que recorre la industria. Algunos laboratorios creen que un solo modelo debería aprender física suficiente para servir tanto a juegos como a robots. Otros creen que los objetivos son bastante distintos para justificar dos arquitecturas: un mundo digital tiene que verse bien y responder rápido; un mundo físico tiene que estar bien y responder con seguridad.
Kunlun apuesta por dos. Su razón declarada son los datos: dicen tener acceso a un dataset de un millón de horas de datos encarnados a través de socios, y los datos encarnados son el cuello de botella de la línea de robótica, no el cómputo.
Qué comprobaría antes de creerme la demo
Los 150 milisegundos son “latencia de respuesta de extremo a extremo de la operación”. Pregunta qué hay dentro de esa ventana. Si excluye el renderizado y mide solo el primer token del modelo, la cifra es mucho menos impresionante de lo que parece.
480p a 60fps en una 5090 significa unos 30 millones de píxeles generados por segundo. Es una carga real para una tarjeta de consumo, y también significa que la tarjeta va a alta utilización mientras juegas. El rendimiento térmico sostenido en una tarjeta de un solo ventilador no va a coincidir con el de un benchmark.
“Open source” necesita la licencia. La empresa dice que el modelo se publicó en octubre. Los términos deciden si esto se convierte en plataforma o en demo, y los lanzamientos chinos de modelos en esta categoría han variado enormemente: algunos permisivos, otros excluyendo mercados enteros.
El resumen honesto: este es el primer world model jugable que veo anunciado con cifras que lo harían usable y no solo impresionante. Jugable a 480p, en una tarjeta, con las reglas en código y los píxeles en un modelo, es una forma genuinamente nueva de desarrollar juegos, y es una respuesta mucho mejor a “para qué sirven los world models” que otro minuto de metraje fotorrealista.
Artículos relacionados
Google sacó los agentes de código del portátil, y el aviso de permiso sigue siendo el cuello de botella
La fontanería está casi resuelta. El aviso de permiso sigue siendo el cuello de botella humano.
NVIDIA libera cuatro modelos del mundo de 16B y la parte sin benchmark es el aprendizaje de políticas
NVIDIA dice que no está medido si estos modelos sirven para aprender políticas. La frase debería acompañar cualquier historia sobre modelos del mundo abiertos.
Cuatro de los repos más populares de GitHub son bibliotecas de skills, y ya hay un problema de empaquetado
La adopción va bien. El fallo interesante son cuatro formas incompatibles de instalar el mismo objeto.
Thinking Machines lanzó un modelo de 594B y dejó los pesos para la semana que viene
Un modelo fuerte, una receta documentada, una capacidad infravalorada y una fecha que el laboratorio no ha comprometido.