A Induction Labs revelou o Photon-1 a 23 de Julho de 2026, o primeiro do que chama “imagination models” — uma nova classe de arquitetura base concebida para aprender com vídeo à escala da internet, sem exemplos meticulosamente rotulados de ações durante a fase de pré-treinamento. O transformador sparse mixture-of-experts com 106 mil milhões de parâmetros e 5 mil milhões de parâmetros ativos foi treinado em aproximadamente 575 milhões de frames de gravações de ecrã de computador, equivalentes a 18 anos de vídeo amostrado a uma imagem por segundo. A empresa afirma que o Photon-1 supera o Gemini 3.1 Flash-Lite da Google em benchmarks internos de utilização de computadores, apesar de ter sido treinado com, pelo menos, 30 vezes menos capacidade de computação, custando cerca de três vezes menos por milhão de tokens para disponibilizar ao preço de 0,11 dólares, face aos 0,36 dólares do Gemini. O modelo desafia uma assunção duradoura em IA: que ensinar máquinas a agir requer exemplos meticulosamente rotulados de todas as ações que elas devem tomar. A abordagem da Induction Labs elimina um gargalo crítico ao permitir que as máquinas aprendam conhecimento procedimental apenas observando vídeo não rotulado de interfaces de computador em utilização.
Photon-1 Architecture and Training Specifications
O Photon-1 foi treinado do zero para uma única época num dataset destilado a partir de um índice inicial de dois mil milhões de vídeos publicamente disponíveis, filtrado até cerca de dois milhões de gravações de ecrã e com frames redundantes removidas por um modelo interno de deteção de keyframes. O processo de treino exigiu aproximadamente 30.000 horas-GPU NVIDIA H200 e 4,4 × 10²² FLOPs. Cada frame de vídeo é comprimida em 960 tokens discretos através de quantização escalar finita, ocupando apenas 2,2 kilobytes — cerca de 100 vezes mais pequeno do que representações OCR e multimodais existentes — mantendo, ainda assim, texto, layout e alterações de estado. Um codificador latente diferencial processa frames como pares, codificando diferenças entre estados consecutivos em vez do conteúdo absoluto das frames. O modelo prevê frames futuras de forma autorregressiva num espaço de representação aprendido, usando um objetivo de next-latent-token. Os resultados de benchmark citados pela Induction Labs trazem avisos importantes: o benchmark é interno e não foi disponibilizado, o que significa que os resultados não são reproduzíveis de forma independente, e a estimativa de computação do Gemini é uma projeção conservadora da Induction Labs, em vez de dados verificados.
Imagination Models' Compression and Finetuning Process
Transformar conhecimento observacional numa agente funcional exigiu uma segunda fase. A Induction Labs ajustou o Photon-1 (finetuned) com menos de 35.000 trajetórias rotuladas de utilização de computador para lhe ensinar o formato de ação correto, adicionando tokens especiais que permitem ao modelo emitir comandos de teclado e rato. Na inferência, o sistema funciona em dois passos: primeiro imagina o próximo estado que avançaria a tarefa e, depois, gera a ação destinada a alcançar esse estado. Seguiu-se aprendizagem por reforço online, com rollouts em tempo real em máquinas virtuais Linux, em cinco ambientes de ambiente de trabalho, resultados verificados de forma programática e sinais de recompensa para impulsionar melhorias adicionais. Ao ser ajustado (finetuned) em 20.000 jogos de checkers de torneio, o Photon-1 superou tanto um baseline com codificador de visão como um baseline de modelo de linguagem de tamanho semelhante, tanto na simulação do mundo como na qualidade dos movimentos. Em 10.000 jogos de bilhar gerados de forma sintética, atingiu um erro absoluto médio de 0,47 na predição da posição da bola, face a 1,15 para o baseline LLM e 1,44 para o baseline de visão. O modelo também captou padrões comportamentais humanos a partir dos seus dados de pré-treinamento, aprendendo a fazer prompts a um clone do ChatGPT na máquina virtual, verificar as suas saídas e orientar a conversa até a tarefa estar concluída.
World Model Developments in 2026
O Photon-1 chega num momento em que a indústria de IA está a virar-se para aquilo que investigadores chamam, em larga medida, “world models” — sistemas que constroem representações internas de como os ambientes evoluem em resposta a ações, em vez de apenas prever texto ou gerar clips de vídeo isolados. Em Maio, a Google DeepMind lançou o Genie 3, um world model interativo em tempo real capaz de gerar ambientes 3D persistentes a 24 frames por segundo a partir de texto ou imagens, com física auto-aprendida em vez de regras pré-programadas. A plataforma Cosmos da NVIDIA, que disponibiliza open-weight world foundation models treinados com 20 milhões de horas de dados do mundo real, ultrapassou dois milhões de downloads e está a ser adotada por empresas de robótica, incluindo 1X, Figure AI e Agility, para geração de dados de treino sintéticos. A World Labs de Fei-Fei Li lançou o Marble, um sistema comercialmente disponível para criar mundos 3D editáveis a partir de texto, imagens ou vídeo. A AMI Labs de Yann LeCun — alegadamente avaliada em 3 mil milhões de euros antes de lançar um produto — angariou 500 milhões de euros para prosseguir arquiteturas estilo JEPA que aprendem representações abstratas ao prever no espaço latente em vez de prever pixéis. Outros desenvolvimentos notáveis incluem o Gen-4.5 da Runway, que a empresa enquadra explicitamente como um “world model” com física realista, e o DreamZero, um modelo de ação num world action model com 14 mil milhões de parâmetros que demonstrou uma forte transferência entre corpos (cross-embodiment transfer) do vídeo humano para controlo de robôs, usando apenas informação visual sem rótulos de ação.
FAQ
O que é que a Induction Labs revelou a 23 de Julho de 2026?
A Induction Labs revelou o Photon-1, o primeiro “imagination model” — um transformador sparse mixture-of-experts com 106 mil milhões de parâmetros e 5 mil milhões de parâmetros ativos treinado em aproximadamente 575 milhões de frames de gravações de ecrã de computador sem rótulos de ação. O modelo aprende a usar um computador ao ver vídeo sem rótulos de ações durante o pré-treinamento.
Como é que o desempenho do Photon-1 se compara com o Google Gemini 3.1 Flash-Lite?
A Induction Labs afirma que o Photon-1 supera o Gemini 3.1 Flash-Lite da Google em benchmarks internos de utilização de computadores, apesar de ter sido treinado com, pelo menos, 30 vezes menos capacidade de computação. A empresa reporta um custo de inferência de 0,11 dólares por milhão de tokens, face aos 0,36 dólares do Gemini. O benchmark é interno e não foi disponibilizado, e a estimativa de computação do Gemini é uma projeção da Induction Labs.
Que desenvolvimentos de world model ocorreram em 2026?
Em Maio, a Google DeepMind lançou o Genie 3, um world model interativo em tempo real que gera ambientes 3D persistentes a 24 frames por segundo. A plataforma Cosmos da NVIDIA ultrapassou dois milhões de downloads e está a ser adotada por empresas de robótica, incluindo 1X, Figure AI e Agility. A World Labs de Fei-Fei Li lançou o Marble para criar mundos 3D editáveis. A AMI Labs de Yann LeCun angariou 500 milhões de euros para prosseguir arquiteturas estilo JEPA.
