Induction Labs revelou o Photon-1 em 23 de Julho de 2026, o primeiro do que chama de “modelos de imaginação” — uma nova classe de arquitetura base voltada para aprender com vídeos em escala da internet sem exemplos rotulados de ações durante o pré-treinamento. O transformador sparse mixture-of-experts com 106 bilhões de parâmetros e 5 bilhões de parâmetros ativos foi treinado com aproximadamente 575 milhões de frames de gravações de tela de computador, o equivalente a 18 anos de vídeo amostrado a 1 frame por segundo. A empresa afirma que o Photon-1 supera o Gemini 3.1 Flash-Lite da Google em benchmarks internos de uso de computador, apesar de ter sido treinado com pelo menos 30 vezes menos computação, custando cerca de três vezes menos por milhão de tokens para servir a US$ 0,11, contra US$ 0,36 do Gemini. O modelo desafia uma suposição antiga em IA: a de que ensinar máquinas a agir exige exemplos meticulosamente rotulados de cada ação que elas devem executar. A abordagem da Induction Labs remove um gargalo crítico ao permitir que máquinas aprendam conhecimento procedimental simplesmente observando vídeos sem rótulos das interfaces de computador em uso.
Photon-1 Architecture and Training Specifications
O Photon-1 foi treinado do zero por uma única época em um conjunto de dados destilado a partir de um índice inicial de 2 bilhões de vídeos publicamente disponíveis, filtrado para cerca de 2 milhões de gravações de tela e com frames redundantes removidos por um modelo interno de detecção de keyframe. O processo de treinamento exigiu aproximadamente 30.000 horas de GPU NVIDIA H200 e 4,4 × 10²² FLOPs. Cada frame de vídeo é comprimido em 960 tokens discretos via quantização escalar finita, ocupando apenas 2,2 kilobytes — cerca de 100 vezes menos do que representações OCR e multimodais existentes — enquanto preserva texto, layout e mudanças de estado. Um codificador latente diferencial processa frames como pares, codificando diferenças entre estados consecutivos em vez do conteúdo absoluto de cada frame. O modelo prevê frames futuros de forma autorregressiva em um espaço de representação aprendido usando uma abordagem de objetivo para próximo token-latente. Os resultados de benchmark citados pela Induction Labs vêm com importantes ressalvas: o benchmark é interno e não foi divulgado, ou seja, os resultados não são reproduzíveis de forma independente; além disso, a estimativa de computação do Gemini é uma projeção conservadora feita pela Induction Labs, e não dados verificados.
Imagination Models' Compression and Finetuning Process
Transformar conhecimento observacional em um agente funcional exigiu uma segunda etapa. A Induction Labs fez finetuning do Photon-1 com menos de 35.000 trajetórias rotuladas de uso de computador para ensiná-lo ao formato correto da ação, adicionando tokens especiais que permitem que o modelo emita comandos de teclado e mouse. Na inferência, o sistema opera em duas etapas: primeiro imagina o próximo estado que avançaria a tarefa e, depois, gera a ação pretendida para alcançar esse estado. Em seguida, veio um aprendizado por reforço online, com rollouts em tempo real em máquinas virtuais Linux em cinco ambientes de desktop, resultados verificados programaticamente e sinais de recompensa impulsionando melhorias adicionais. Ao ser finetunado em 20.000 partidas de checkers de torneio, o Photon-1 superou tanto um baseline com encoder de visão quanto um baseline de modelo de linguagem de tamanho semelhante em simulação do mundo e qualidade dos lances. Em 10.000 jogos de bilhar gerados sinteticamente, obteve um erro absoluto médio de 0,47 na predição da posição da bola, contra 1,15 do baseline de LLM e 1,44 do baseline de visão. O modelo também captou padrões comportamentais humanos a partir dos dados de pré-treinamento, aprendendo a pedir instruções em um clone do ChatGPT dentro da máquina virtual, conferir as saídas e direcionar a conversa até a tarefa estar concluída.
World Model Developments in 2026
O Photon-1 chega em um momento em que a indústria de IA está migrando para o que pesquisadores chamam amplamente de “world models” — sistemas que constroem representações internas de como ambientes evoluem em resposta a ações, em vez de apenas prever texto ou gerar clipes de vídeo isolados. Em Maio, o 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 aprendida por autoaprendizado em vez de regras codificadas. A plataforma Cosmos da NVIDIA, que oferece modelos abertos de pesos como world foundation models treinados em 20 milhões de horas de dados do mundo real, ultrapassou dois milhões de downloads e está sendo adotada por empresas de robótica incluindo 1X, Figure AI e Agility para geração de dados sintéticos de treinamento. A World Labs de Fei-Fei Li lançou a Marble, um sistema comercialmente disponível para criar mundos 3D editáveis a partir de texto, imagens ou vídeo. As AMI Labs de Yann LeCun — supostamente avaliadas em € 3 bilhões antes de liberar um produto — levantaram € 500 milhões para perseguir arquiteturas estilo JEPA que aprendem representações abstratas ao prever no espaço latente em vez de pixels. 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 do mundo com 14 bilhões de parâmetros que demonstrou forte transferência entre corpos de vídeo humano para controle de robôs usando apenas informação visual, sem rótulos de ação.
FAQ
O que a Induction Labs revelou em 23 de Julho de 2026?
A Induction Labs revelou o Photon-1, o primeiro “modelo de imaginação” — um transformador sparse mixture-of-experts com 106 bilhões de parâmetros e 5 bilhões de parâmetros ativos treinado com aproximadamente 575 milhões de frames de gravações de tela de computador sem rótulos. O modelo aprende a usar um computador ao assistir a vídeo sem rótulos de ação durante o pré-treinamento.
Como o desempenho do Photon-1 se compara ao do 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 uso de computador, apesar de ter sido treinado com pelo menos 30 vezes menos computação. A empresa relata um custo de inferência de US$ 0,11 por milhão de tokens, contra US$ 0,36 do Gemini. O benchmark é interno e não foi divulgado, e a estimativa de computação do Gemini é uma projeção da própria Induction Labs.
Quais desenvolvimentos de world model ocorreram em 2026?
Em Maio, o 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 sendo adotada por empresas de robótica incluindo 1X, Figure AI e Agility. A World Labs de Fei-Fei Li lançou a Marble para criar mundos 3D editáveis. As AMI Labs de Yann LeCun levantaram € 500 milhões para perseguir arquiteturas estilo JEPA.
