A ideia central
A MirroS lançou o Code-as-World, um paradigma que representa mundos físicos por meio de representações executáveis. O argumento é estreito e testável: pixels são evidência de uma cena física, não sua ontologia. Um modelo de vídeo consegue prever quadros plausíveis sem jamais representar massa, contato ou gravidade.
Em vez de pixels, latentes ou legendas, o Code-as-World representa uma cena como código executável — um scene.json que o MuJoCo consegue rodar, que um agente consegue verificar contra o vídeo de origem e que qualquer pessoa pode editar e re-simular.
Como funciona o loop agêntico
Recuperar uma representação executável a partir de vídeo é um problema inverso, então a equipe o enquadra como busca abdutiva. Um agente executa o ciclo propor → instanciar → executar → renderizar → verificar por até cinco rodadas. O SAM 3 fornece máscaras de instância, o VGGT-Omega estima profundidade e geometria, e o SAM 3D gera malhas por objeto.
Os mundos verificados viram dados de treinamento com rótulos físicos exatos — algo que vídeo real não carrega. Com essa supervisão, o Code-as-World-VL-9B atinge 55,4 de MRA no QuantiPhy-validation, acima do Gemini 3.1 Flash (54,8) e cerca de 15 pontos acima da melhor baseline de pesos abertos.
Open source e limitações
A MirroS publicou o repositório no GitHub e dois checkpoints — Code-as-World-VL-4B e VL-9B — sob licença Apache 2.0, ajustados a partir do Qwen3.5. O treinamento usou oito GPUs NVIDIA H100, com fine-tuning supervisionado em 73.335 pares de perguntas e respostas e GRPO em VQA de mundo.
As limitações também são claras: o sistema cobre apenas corpos rígidos e o modelo em si não aprende o loop de descoberta. Ainda assim, o resultado sugere que transformar vídeo em física executável pode destravar dados de treino muito mais ricos para robótica e visão computacional.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
