VAST abre código do EdenLive: imagens geradas por IA enquanto se joga

Imagine: chega a uma porta, não tem a certeza se pode entrar, por isso dá meia-volta, dá dois passos e salta duas vezes para ver se consegue trepar o muro ao lado. É uma ação banal em qualquer jogo. Mas se a imagem diante dos olhos for gerada por IA em tempo real, o modelo tem de acompanhar cada impulso do jogador — parar de repente, virar de repente, correr e saltar — e manter cada fotograma estável. É precisamente este o desafio que o modelo de mundo em tempo real EdenLive, que a VAST acaba de abrir em código aberto, procura resolver.

A divisão de funções é fundamental. As regras do jogo, a vida, as colisões e as condições de vitória continuam a ser geridas pelo sistema de interação a montante: quando o jogador carrega na tecla de ataque, esse sistema determina primeiro se o golpe acertou e quanto dano deve ser retirado, depois atualiza o estado da personagem e renderiza cada alteração como uma imagem de maquete cinzenta, que contém apenas a disposição espacial e o movimento. O EdenLive recebe essa imagem e deixa o modelo gerativo decidir o que ela finalmente «parece»: a imagem de referência define a estrutura, o movimento e o enquadramento; a primeira imagem-alvo fixa os materiais, as cores e o estilo; e o prompt de texto acrescenta os detalhes. A VAST, no Project Eden que publicou em maio deste ano, já tinha descrito esta arquitetura em três camadas num plano completo.

A equipa usou o Gemini-3.8-Flash para fazer comparações cegas par a par em 45 casos de longa duração, avaliando cinco dimensões — fidelidade à referência, consistência da primeira imagem, plausibilidade física, qualidade de imagem e ausência de fugas de aparência — e o EdenLive 14B e o 5B ficaram em primeiro e segundo lugar em todas elas. No caso da fidelidade à referência, por exemplo, o 14B obteve 1704 pontos, cerca de 200 pontos acima do AgentGarten. Quanto à velocidade, a equipa divulgou que o EdenLive 5B consegue gerar imagens em 720P a mais de 24 FPS numa placa gráfica de consumo RTX 5090, e suporta geração contínua de vários minutos. Estes números provêm da própria avaliação e divulgação da equipa, e ainda estão longe de uma validação independente.

Para as equipas de protótipos de jogos e de pré-visualização de animação, a mudança é concreta: a mesma cena de maquete branca, com uma nova primeira imagem e uma frase de prompt, permite comparar aspetos completamente diferentes — realista, desenho à mão com traço, cartoon, pixel art ou pintura a óleo; e quando a câmara sai de um sítio e volta, a estrutura da cena continua no mesmo lugar. Para as equipas de robótica, um vídeo de uma pessoa a limpar uma mesa, filmado com uma câmara montada na cabeça, pode ter as mãos humanas substituídas por uma mão robótica, mantendo a ação e o enquadramento, para complementar o material de treino do «ponto de vista do robô». Os pesos do modelo, o código de inferência e a interface de trabalho já estão abertos, e o material de origem não indica qualquer calendário para a implementação em grande escala.

As limitações são igualmente claras. O EdenLive não determina o que acontece no jogo, nem faz o mundo funcionar; uma gravação existente, depois de re-renderizada, continua a ser um vídeo, e a jogabilidade depende do código a montante. As demonstrações anteriores de modelos de mundo usavam muitas vezes um vídeo para provar que o modelo consegue imaginar um mundo; a novidade do EdenLive está em separar «quem gere as regras» de «quem gere a imagem», e em permitir que a imagem acompanhe as ações do jogador.