← Voltar ao blog
Aicerca de 7 min de leitura

Um mundo gerado por vídeo a 60 fps numa única RTX 5090

Publicado 11 de nov. de 2026
Um mundo gerado por vídeo a 60 fps numa única RTX 5090

A Kunlun Tech, empresa chinesa por trás do navegador Opera e do app de karaokê StarMaker, abriu um jogo este mês. Não um jogo feito com IA. Um jogo em que o jogo é um modelo de vídeo, rodando a 60 quadros por segundo numa única RTX 5090.

O projeto é o Matrix-Game 4.0, e a descrição da empresa é incomumente específica sobre o laço: código gera a lógica do jogo, restrições estruturadas definem o quadro e o modelo de vídeo renderiza em tempo real. O número colado a esse laço é uma imagem 480p a 60fps com latência de entrada ponta a ponta abaixo de 150 milissegundos.

Se esses números se sustentam, é a primeira vez que um world model é jogável em vez de apenas assistível. Essa é uma categoria diferente de coisa.

Por que 150 milissegundos é o número que importa

Modelos de vídeo conseguem gerar imagem convincente há uns dois anos. O problema nunca foi a qualidade de um clipe isolado. Era o laço.

Um world model interativo precisa fazer algo que um gerador de vídeo não faz: responder à entrada dentro do tempo que um humano percebe como imediato, e lembrar o que aconteceu antes. Erre o primeiro e parece desktop remoto. Erre o segundo e o mundo deriva — você vira e a porta mudou de lugar, o corredor é outro corredor.

O material público da Kunlun descreve exatamente essas duas falhas como aquilo contra o que o 4.0 foi construído: modelos interativos tradicionais dependendo de clusters de data center com várias GPUs, dificuldade de manter o estado do mundo e deriva visual em horizontes longos. A correção anunciada é engenharia de inferência, não um modelo maior, e é por isso que a entrega é 480p e não 1080p. Não dá para ter resolução, taxa de quadros e latência ao mesmo tempo numa placa só. Eles escolheram as duas que tornam o jogo jogável.

480p não é uma imagem bonita. Num monitor de 27 polegadas parece vídeo de 2008. Mas é suficiente para testar se uma ideia de jogo funciona, e esse é o mercado inteiro de protótipos de jogo.

Uma única placa de vídeo num gabinete compacto sobre a mesa, com uma cena de jogo renderizada no monitor ao lado, tarde da noite

O laço em três partes, sem o marketing

“Código gera a lógica do jogo, restrições estruturadas de quadro, renderização em tempo real pelo modelo de vídeo” é uma frase comprimida. Descomprimida, é uma divisão de trabalho bastante elegante.

A camada de código cuida das regras. Vida, inventário, cooldowns, colisão, estado de missão. É programação de jogo comum, determinística, barata e fácil de inspecionar. E, crucialmente, significa que o world model não precisa lembrar que o jogador tem uma chave. A chave é uma variável.

A camada de restrição cuida da composição. Onde está a câmera, o que está no quadro, como a cena é iluminada, o que o personagem veste. Em vez de um prompt de texto descrevendo uma cena, o modelo recebe uma descrição estruturada da cena que precisa renderizar em seguida. É uma tarefa muito mais estreita que “gere um jogo”, e tarefas estreitas são o que sistemas em tempo real conseguem pagar.

O modelo de vídeo cuida dos pixels. Ele renderiza o quadro restringido, condicionado ao quadro anterior para que o movimento seja contínuo.

A razão de isso ser interessante é que coloca o world model na menor caixa possível. Ele não é o jogo. É o renderizador, e tudo que faz um jogo ser um jogo vive fora dele, em código que você pode depurar. Compare com a abordagem de “um prompt, um mundo”, que é mágica por trinta segundos e insustentável por trinta minutos.

Sem assets de arte, e essa é a alegação de verdade

Leia com cuidado a formulação da empresa: o modelo “valida um novo paradigma de desenvolvimento de jogos que não exige assets de arte pré-construídos”.

É a parte com dentes econômicos. Um protótipo de jogo hoje custa artistas. Até um protótipo em greybox precisa de alguém para fazer o greybox, e esse alguém costuma ser a pessoa mais cara do time. Se o renderizador inventa o corredor enquanto você caminha por ele, o custo do protótipo desaba para design mais código.

Isso também explica o Coding Agent no lançamento: você descreve a cena, as regras e a interação em linguagem natural, o agente escreve a camada de lógica do jogo, e o modelo de vídeo renderiza o que a lógica produzir. O público natural não são estúdios. É uma pessoa com uma ideia e uma 5090.

O material para investidores da Kunlun faz a comparação de forma explícita: aponta o número crescente de lançamentos na Steam neste ano como evidência de que a barreira de entrada está caindo. É uma empresa falando do próprio livro, mas a direção é difícil de contestar.

O que o 4.0 consertou em relação ao 3.5

A versão 3.5, no início do ano, trabalhava memória de cena em horizonte longo, consistência entre pontos de vista, geometria espacial e controle de câmera. Esses quatro itens descrevem com precisão o que faz um mundo gerado parecer falso: você volta a uma sala e ela mudou, você orbita um objeto e a parte de trás é inventada, a câmera atravessa a parede.

O 4.0 é apresentado como a versão em que o laço fecha. Se a deriva está de fato resolvida é a pergunta que eu gostaria de responder com dez minutos de uso, não com um vídeo de demonstração, porque deriva é o tipo de problema que se esconde nos primeiros noventa segundos e embosca no décimo minuto.

A camada estratégica

A Kunlun opera duas linhas de world model. Matrix-Game é para mundos digitais: jogos de IA, simulação digital, agentes gerais. Uma subsidiária, a Riemann Dynamics, opera uma linha separada chamada Riemann-1.0 para IA física — manipulação por robôs, vídeo humano em primeira pessoa, demonstrações teleoperadas, simulação para o real.

Vale notar essa separação porque ela espelha um debate que atravessa a indústria. Alguns laboratórios acham que um modelo deve aprender física o suficiente para servir tanto a jogos quanto a robôs. Outros acham que os objetivos são diferentes o bastante para justificar duas arquiteturas: um mundo digital precisa parecer certo e responder rápido; um mundo físico precisa estar certo e responder com segurança.

A Kunlun aposta em duas. A razão declarada é dados: eles dizem ter acesso a um dataset de um milhão de horas de dados incorporados via parceiros, e dados incorporados são o gargalo da linha de robótica, não o compute.

O que eu checaria antes de acreditar na demo

Os 150 milissegundos são “latência de resposta ponta a ponta da operação”. Pergunte o que está dentro dessa janela. Se exclui a renderização e mede só o primeiro token do modelo, o número é bem menos impressionante do que parece.

480p a 60fps numa 5090 significa cerca de 30 milhões de pixels gerados por segundo. É uma carga real para uma placa de consumidor, e também significa que a placa fica em alta utilização enquanto você joga. Desempenho térmico sustentado numa placa de um ventilador não vai bater com o de um benchmark.

“Open source” precisa da licença. A empresa diz que o modelo foi aberto em outubro. Os termos decidem se isso vira plataforma ou demo, e lançamentos chineses de modelo nessa categoria variaram enormemente — alguns permissivos, alguns excluindo mercados inteiros.

O resumo honesto: este é o primeiro world model jogável que eu vi anunciado com números que o tornariam utilizável em vez de apenas impressionante. Jogável em 480p, numa placa, com as regras em código e os pixels num modelo, é um formato genuinamente novo para desenvolvimento de jogos, e é uma resposta muito melhor para “para que servem world models” do que mais um minuto de imagem fotorrealista.

Artigos relacionados