UNITAS: modelo de mundo 3D para robôs lidera vários benchmarks ao mesmo tempo

A equipe por trás do UNITAS o chama de primeiro modelo de mundo do mundo construído de forma nativa em 3D e voltado a tarefas de robótica, e não à geração de vídeos bonitos. De acordo com o Jiqizhixin, em reportagem de 12 de outubro de 2026, o modelo ficou no topo de vários rankings ao mesmo tempo. O trecho da publicação a que tivemos acesso não traz os nomes dos benchmarks nem as pontuações. Por isso, o que segue é apenas o que dá para confirmar, com uma ressalva honesta sobre o que ainda falta.

Que problema a equipe tenta resolver

O argumento dos autores começa pelos modelos de linguagem. Os LLMs escalam porque o conhecimento de fontes muito diferentes foi reduzido a um único espaço de entrada e saída: o texto. A entrada é texto, a saída é texto, e dentro desse espaço o modelo aprende, combina e transfere conhecimento entre tarefas.

A IA incorporada não tem um denominador comum assim. Os robôs diferem em corpo, câmeras, conjuntos de sensores e formas de controle. Os dados de um braço robótico se transferem mal para outro. Daí a pergunta que os autores colocam logo de início: qual é o espaço "nativo" de que os robôs precisam no caminho até a Physical AGI? A resposta deles é o mundo tridimensional. O prefixo "transdimensional" (跨维) no nome, ao que tudo indica, aponta para a ligação entre observações 2D e a estrutura 3D da cena. Os detalhes dessa ligação não aparecem no trecho disponível.

O que se sabe sobre o modelo

• Nome: UNITAS.
• Classe: modelo de mundo (world model) nativo em 3D.
• Área-alvo: tarefas de robótica. Ou seja, o modelo é projetado para elas, e não adaptado a partir de vídeo generativo.
• Resultado declarado: liderança em vários benchmarks. A fonte não informa os nomes nem os valores das métricas.
• Objetivo declarado: "intuição física" nos robôs, isto é, compreensão de geometria, contatos e consequências das ações.
• Status de "primeiro do mundo": afirmação dos próprios desenvolvedores, não verificada de forma independente.

Como ler essa declaração

Hoje os modelos de mundo se dividem em dois campos. Um deles prevê quadros futuros e aprende física a partir de enormes corpora de vídeo. São exemplos o Genie, do Google DeepMind, e o Cosmos, da NVIDIA. O outro constrói uma representação explícita do espaço. O vídeo tem boa aparência, mas o robô não precisa de uma imagem: precisa de uma resposta para a pergunta "para onde o objeto vai se mover se eu empurrar aqui". Desse ponto de vista, a aposta em 3D parece lógica: a geometria está mais próxima do controle do que os pixels.

Mas lógica não é resultado. Em lançamentos técnicos chineses, a expressão "primeiro do mundo" muitas vezes descreve um nicho estreito, e a liderança em benchmarks depende muito de quais testes foram escolhidos. Rankings em simulação não garantem que o modelo vá funcionar em um braço robótico real, com sensores ruidosos e iluminação imperfeita.

O que verificar na prática

Se você trabalha com robótica ou acompanha o mercado, espere o relatório técnico e observe cinco pontos:

• quais benchmarks exatamente foram usados e com quais modelos de referência o UNITAS foi comparado;
• se há experimentos em robôs reais, e não apenas em simulação;
• se os pesos e o código são abertos e se é possível reproduzir o resultado;
• quanta anotação 3D e quais dados são necessários para treinamento e ajuste fino;
• qual é a latência de inferência: para controle em malha fechada, ela é mais crítica do que a precisão em um teste estático.

Por enquanto, vale manter o UNITAS na lista de observação. A ideia de que o 3D se torne o espaço comum da IA incorporada parece uma hipótese séria. Só números abertos e experimentos reproduzíveis em hardware real poderão confirmá-la.