VAST abre EdenLive, modelo de mundo en tiempo real para investigación

Imagínese: llega a una puerta, no sabe si puede entrar, así que da dos pasos, luego salta dos veces para ver si puede saltar el muro de al lado. Es una acción de lo más común en un videojuego. Pero si la imagen que tiene delante la genera la IA en tiempo real, el modelo debe seguir cada decisión improvisada del jugador —detenerse de golpe, girar de repente, correr y saltar— y mantenerse estable en cada fotograma. Ese es el reto que aborda EdenLive, el modelo de mundo en tiempo real que VAST acaba de abrir.

La división del trabajo es clave. Las reglas, la vida, las colisiones y las condiciones de victoria siguen a cargo del sistema de interacción situado aguas arriba: cuando el jugador pulsa el botón de ataque, ese sistema determina primero si la patada acierta y cuánta vida debe restar, después actualiza el estado del personaje y renderiza cada cambio como una maqueta en gris que solo muestra la disposición espacial y el movimiento. EdenLive recibe esa maqueta y el modelo generativo decide cómo «se ve» finalmente: una imagen de referencia determina la estructura, el movimiento y la cámara; el primer fotograma objetivo fija los materiales, la paleta de color y el estilo, y el texto de la instrucción añade los detalles. VAST describió esta arquitectura de tres capas en su Project Eden de mayo de este año.

El equipo usó Gemini-3.8-Flash para hacer una evaluación ciega por parejas de 45 casos largos. En las cinco dimensiones —fidelidad a la referencia, coherencia con el primer fotograma, plausibilidad física, calidad de imagen y evitar la filtración de apariencia—, EdenLive 14B y 5B ocuparon los puestos primero y segundo. Tomando como ejemplo la fidelidad a la referencia, el 14B obtiene 1.704 puntos, unos 200 puntos más que AgentGarten. En velocidad, el equipo informa de que EdenLive 5B genera imágenes en 720P a más de 24 FPS en una sola RTX 5090, una tarjeta de consumo, y admite generación continua de varios minutos. Estas cifras proceden de la propia evaluación y declaración del equipo, y todavía falta una verificación independiente.

Para los equipos de prototipos de juegos y de previsualización de animación, el cambio es concreto: con la misma escena de maqueta blanca, basta con cambiar un primer fotograma y una frase de instrucción para comparar estilos muy distintos, como realista, dibujo a mano alzada, caricatura, pixel art o pintura al óleo. Si la cámara se aleja y vuelve, la estructura de la escena sigue en su lugar. Para los equipos de robótica, un vídeo de una persona limpiando una mesa, grabado con una cámara montada en la cabeza, puede sustituir las manos humanas por manos robóticas conservando la acción y el encuadre, para complementar los datos de entrenamiento con la «mirada del robot». Los pesos del modelo, el código de inferencia y la interfaz de trabajo ya están abiertos; la fuente no ofrece un calendario para su adopción a gran escala.

Las limitaciones también están claras. EdenLive no determina lo que ocurre en el juego ni hace que el mundo funcione por sí mismo; una grabación existente, tras un re-renderizado, sigue siendo un vídeo, y la jugabilidad depende del código situado aguas arriba. Las demostraciones previas de modelos de mundo solían usar un vídeo para probar que el modelo podía imaginar un mundo. La novedad de EdenLive está en separar «quién gestiona las reglas» de «quién gestiona la imagen», y en que la imagen siga las acciones del jugador.