Large World Models: casos de uso e exemplos

Apesar dos avanços nos large language models, a inteligência artificial continua limitada em sua capacidade de compreender e interagir com o mundo físico devido às restrições das representações baseadas em texto.

Os large world models abordam essa lacuna integrando dados multimodais para raciocinar sobre ações, modelar a dinâmica do mundo real e prever mudanças ambientais.

Descubra o que são os large world models, como se diferenciam de outras abordagens, seus principais casos de uso, exemplos do mundo real e os desafios envolvidos em construí-los.

O que é um large world model?

Um large world model (LWM) é uma classe avançada de models de inteligência artificial que vão além do foco baseado em texto dos large language models (LLMs). Enquanto os LLMs aprendem padrões a partir de sequências de linguagem, os LWMs são projetados para integrar e processar dados multimodais em dimensões espaciais, temporais e físicas.

Esses models visam representar o mundo real incorporando texto, imagens, áudio, sinais de sensores, sequências de vídeo e ambientes interativos.

Os LWMs são frequentemente descritos como um passo mais próximo da construção de sistemas de IA capazes de compreender e interagir com o mundo físico, oferecendo capacidades como raciocínio espacial, compreensão de vídeo de longo prazo e a capacidade de prever dinâmicas em ambientes complexos.

Figura 1: Um exemplo de um large world model que pode responder a perguntas em vídeos do YouTube.¹

Arquitetura dos large world models

• Inferência de pré-condição e efeito: Uma característica central, informada por pesquisas recentes, é a modelagem explícita do que deve ser verdadeiro antes de uma ação (pré-condição) e das mudanças que ocorrem depois (efeito).²
• Correspondência semântica de estados: Os LWMs utilizam módulos que alinham pré-condições e efeitos inferidos com os estados atuais do mundo, permitindo a previsão de ações válidas e transições de estado.
• Generative models: Eles geram vídeos, simulam ambientes e preveem dinâmicas em sequências de vídeo prolongadas e em ambientes do mundo real.
• Escalabilidade: O treinamento depende tanto de dados reais quanto de ambientes de treinamento diversos e ilimitados, incluindo simulações sintéticas.

Técnicas emergentes, como campos de radiância neural (NeRFs), Gaussian splatting e mecanismos de atenção em anel, são utilizadas para aprimorar a capacidade de lidar com sequências longas e interações dinâmicas.

Como ele se diferencia dos world foundation models e de outros world models?

• World foundation models concentram-se em fornecer uma espinha dorsal de propósito geral para raciocinar sobre o mundo. Ainda assim, costumam estar mais próximos do paradigma de LLM, enfatizando a representação simbólica e semântica do conhecimento humano.
• World models em aprendizado por reforço ou robótica normalmente modelam ambientes específicos para treinar agentes autônomos, muitas vezes limitados a ferramentas de simulação ou tarefas restritas.
• Large world models: vão além ao modelar longas sequências de ações, prever dinâmicas e integrar entradas multimodais. Os LWMs enfatizam o raciocínio de pré-condição e efeito, o que lhes permite responder a perguntas como “Esta ação é válida agora?” e “O que acontece se eu fizer isso?”, capacidades frequentemente ausentes em outros models.

Em resumo, os world foundation models fornecem uma linha de base, enquanto os LWMs estendem essas capacidades para sistemas de IA física e experiências interativas.

Perspectivas de pesquisadores sobre large world models

De acordo com pesquisas sobre large world models, pode-se inferir que se trata de um simulador interno de propósito geral que usa representações abstratas para prever e avaliar estados futuros em ambientes abertos.

Ele se distingue tanto dos world models pequenos e específicos para tarefas quanto das grandes simulações puramente interativas. Seu propósito não é renderizar o mundo, mas raciocinar sobre ele antes de agir.

Aqui estão alguns dos principais pontos:

• Primeiro, a escala por si só não é suficiente. Ambientes grandes ou simulações complexas não produzem automaticamente large world models, e sistemas menores ainda podem se qualificar como world models quando capturam como os ambientes evoluem. O que importa é a capacidade de generalizar entre tarefas e domínios, não o tamanho bruto.
• Em segundo lugar, os large world models dependem da abstração. O detalhe sensorial bruto costuma ser frágil demais para o planejamento geral, portanto esses models operam com representações conceituais comprimidas que preservam o que é relevante para o raciocínio em diferentes contextos.
• Em terceiro lugar, os large world models mudam o papel dos language models. Em vez de gerar ações ou texto, os language models atuam como simuladores internos que preveem como o mundo pode responder a ações hipotéticas, permitindo deliberação em vez de reação.
• Por fim, os large world models redefinem o planejamento. Planejar passa a ser um processo de simular futuros possíveis, comparar resultados e selecionar ações com base nas consequências esperadas, aproximando o raciocínio de IA da tomada de decisão humana.

PoE-World

O artigo PoE-World³aborda os world models como models explícitos da dinâmica do ambiente que apoiam o planejamento e o controle. O artigo trata um world model como algo que prevê como o ambiente muda em resposta a ações. Sua preocupação central não é a escala, mas a estrutura: como representar o mundo de uma forma que apoie a generalização e o raciocínio de longo horizonte.

Em vez de depender de uma única grande rede neural, os autores argumentam que os world models devem ser composicionais. Eles propõem construir o world model a partir de vários especialistas programáticos menores, cada um responsável por um fator específico do ambiente, como movimento de objetos ou interações. Esses especialistas são combinados matematicamente para produzir previsões gerais de estados futuros.

O artigo é cauteloso em relação a grandes world models neurais de ponta a ponta. Ele sugere que aumentar apenas o tamanho do model não resolve questões como interpretabilidade ou raciocínio sistemático. Na visão deles, estrutura e modularidade importam mais do que o número de parâmetros.

Pontos-chave

• Define um world model como um preditor de observações futuras dadas observações e ações passadas.
• Enfatiza a estrutura composicional e simbólica em vez de grandes redes neurais.
• Usa vários especialistas pequenos combinados em um único model preditivo.
• Argumenta que large world models monolíticos têm dificuldades com raciocínio de longo horizonte e composicional.
• Concentra-se em planejamento e controle em ambientes restritos, em vez de cenários abertos.

LatticeWorld

O LatticeWorld⁴usa o termo world model em um sentido diferente. Neste artigo, um world model é principalmente um ambiente virtual interativo em larga escala, em vez de um model preditivo aprendido. O foco está na construção de mundos 3D detalhados e exploráveis para interação, simulação e geração de dados.

O artigo trata os world models como ambientes externos com os quais agentes ou humanos podem interagir. Esses ambientes incluem terreno, objetos, física e múltiplos agentes, e são projetados para se assemelharem muito a cenários do mundo real, a fim de reduzir a lacuna entre simulação e realidade. A ênfase está no realismo e na interatividade, não na previsão interna de estados futuros.

Os large language models desempenham um papel de apoio. Eles são usados para traduzir texto e instruções visuais em representações simbólicas que definem layouts e configurações de cena. O comportamento real do mundo, incluindo física e interações, é tratado por um motor de jogo, e não por um world model aprendido.

Pontos-chave

• Usa o termo “world model” para designar um ambiente simulado interativo de alta fidelidade.
• Concentra-se na geração de mundos, e não no aprendizado da dinâmica do ambiente.
• Trata os world models como fontes de dados e interação, e não como ferramentas de raciocínio.
• Usa LLMs para geração de layout e configuração de cena, não para previsão ou planejamento.
• Não modela transições de estado ou futuros contrafactuais internamente.

SIMURA

O SIMURA⁵coloca os world models no centro do comportamento inteligente. Ele define um world model como um simulador interno que um agente usa para imaginar estados futuros antes de agir. O artigo contrasta explicitamente isso com o raciocínio autorregressivo token a token, que, segundo ele, carece de previsão e da capacidade de realizar avaliação contrafactual.

Nesse framework, o world model prevê como o ambiente responderá a ações candidatas. Essas previsões são então avaliadas em relação aos objetivos do agente, permitindo que ele escolha ações com base em resultados simulados, em vez de respostas imediatas. O world model é, portanto, o mecanismo que possibilita o planejamento.

O que distingue o SIMURA é sua escala e generalidade. O world model é implementado usando large language models e opera em ambientes abertos, como a web. Os estados do mundo são representados em linguagem natural, o que permite abstração e transferência entre tarefas sem treinar novamente models separados para cada ambiente.

Pontos-chave

• Define um world model como um simulador interno usado para planejamento e tomada de decisões.
• Usa world models para avaliar futuros contrafactuais antes de agir.
• Implementa o world model usando large language models.
• Representa estados e transições do mundo em linguagem natural, em vez de embeddings contínuos.
• Visa ambientes gerais e abertos, em vez de tarefas restritas.

Casos de uso dos large world models

Saúde

Os LWMs na área da saúde podem integrar registros de pacientes, dados genômicos e biometria em tempo real com entradas ambientais. Ao modelar as interações entre esses datasets, eles podem apoiar tratamentos personalizados, prever riscos à saúde mais cedo e orientar a tomada de decisões cirúrgicas com análises em tempo real.

Planejamento urbano e cidades inteligentes

Ao analisar fluxos de tráfego, consumo de energia e dados ambientais, os LWMs podem simular intervenções em escala urbana. Por exemplo, eles podem prever como novos projetos de infraestrutura impactam a poluição, a mobilidade ou a demanda de energia, permitindo decisões informadas em ambientes complexos.

Robótica e sistemas autônomos

Para veículos e robôs autônomos, os LWMs proporcionam uma compreensão mais profunda das propriedades espaciais e das interações entre objetos. Eles apoiam o treinamento em diversos ambientes de treinamento e condições do mundo real, permitindo que máquinas autônomas naveguem de forma mais segura e adaptativa.

Educação e treinamento

Os LWMs podem gerar experiências interativas e mundos virtuais realistas para treinamento de habilidades. Em áreas como aviação ou medicina, os LWMs podem simular cenários de alto risco, permitindo que os alunos pratiquem em ambientes virtuais seguros e realistas.

Monitoramento ambiental

Os LWMs processam dados de satélite, feeds de sensores e sequências prolongadas de informações ambientais para prever dinâmicas climáticas. Isso permite que as partes interessadas otimizem a utilização de recursos, acompanhem os impactos do desmatamento ou modelem cenários de desastres.

Jogos e entretenimento

Com a capacidade de gerar vídeos e simulações imersivas a partir de uma única imagem de prompt ou descrição em linguagem, os LWMs abrem possibilidades para experiências interativas em jogos, AR e VR. Sua capacidade de criar sequências de vídeo de milhões de comprimento oferece um salto em realismo e criatividade.

Exemplos reais de large world models

Marble: um world model multimodal

O Marble⁶é um model de mundo multimodal desenvolvido pela World Labs. Ele foi projetado para criar mundos 3D persistentes e de alta fidelidade que podem ser gerados, editados e explorados interativamente usando uma variedade de entradas.

Principais recursos

• Geração multimodal de mundos: O Marble pode gerar ambientes 3D completos a partir de prompts de texto, imagens, vídeos ou layouts 3D.
• Edição e expansão interativas: Depois que um ambiente é criado, o Marble fornece ferramentas para editá-lo e expandi-lo. Os usuários podem refinar elementos do mundo, modificar layouts e iterar nos designs.
• Mundos 3D persistentes: Os mundos criados pelo Marble mantêm consistência espacial e podem ser revisitados, iterados ou compostos com outros mundos gerados.
• Recursos de exportação: O Marble permite que os usuários exportem mundos gerados em vários formatos, incluindo splats gaussianos, malhas e vídeo. Esses resultados podem ser usados em outras ferramentas, fluxos de trabalho e aplicações posteriores além da própria interface do Marble.

Veja o vídeo abaixo para um exemplo de geração de texto para vídeo:

WorldsNQ

A Worlds apresentou o WorldsNQ, uma plataforma de large world models projetada para empresas industriais que precisam de sistemas de IA para entender e otimizar operações físicas.

A plataforma usa dados de câmeras e sensores de IoT para construir models dinâmicos de ambientes do mundo real, como armazéns, fábricas e instalações de energia. O WorldsNQ automatiza a criação de models e os atualiza continuamente à medida que os ambientes operacionais mudam.

Principais recursos:

• Treinamento automatizado de models: Reduz a necessidade de anotação humana ao transformar dados de sensores em models de IA utilizáveis.
• Aprendizado contínuo: Apoia sistemas de circuito fechado que se adaptam à medida que ambientes físicos e processos evoluem.
• Compatibilidade com hardware existente: Funciona com as câmeras e sensores atuais de uma organização, reduzindo as barreiras de implantação.
• Aceleração operacional: A Worlds afirma que a plataforma pode reduzir os fluxos de trabalho de treinamento e manutenção de meses para dias ou até um único dia.

Aplicações:

• Monitoramento de processos industriais: Ajuda fabricantes, provedores de logística e empresas de energia a converter operações físicas em fluxos de dados mensuráveis.
• Automação em ambientes físicos: Permite que as empresas construam models de IA que podem observar, aprender e melhorar fluxos de trabalho do mundo real.
• Gerenciamento do ciclo de vida de models de IA: Aborda o desvio de model mantendo os models alinhados com dados operacionais em tempo real, em vez de depender de conjuntos de treinamento estáticos.

Niantic Spatial / Large Geospatial Model

A Niantic Spatial está desenvolvendo um Large Geospatial Model (LGM) para fornecer compreensão espacial do mundo real para sistemas de IA física.

A abordagem da Niantic se concentra em dados georreferenciados do mundo real para ajudar as máquinas a entender onde estão, o que estão olhando e como devem agir no espaço físico.

Principais recursos:

• Ancoragem geoespacial: Usa varreduras 3D do mundo real, mapas espaciais, dados de posicionamento e outras entradas georreferenciadas para modelar ambientes físicos.
• Localização e orientação: Ajuda telefones, robôs, drones, óculos de AR e outros dispositivos a determinar sua posição e direção.
• Compreensão espacial semântica: Apoia a interpretação de ambientes do mundo real, como identificar objetos, estruturas ou detalhes relevantes para inspeção.
• Papel complementar aos WFMs: A Niantic posiciona os LGMs como uma camada de ancoragem que pode trabalhar em conjunto com world foundation models e large language models.

Aplicações:

• Robótica e navegação autônoma: Permite que robôs ou drones naveguem em ambientes urbanos ou industriais complexos com mais precisão.
• Operações de campo: Permite que comentários de inspeção, ordens de serviço e documentação sejam alinhados com o ambiente construído real.
• Ambientes sem GPS: Fornece inteligência espacial onde o posicionamento por GPS convencional não é confiável ou está indisponível.
• AR e computação espacial: Apoia dispositivos que precisam de uma compreensão 3D compartilhada do mundo físico para oferecer experiências sensíveis à localização.

Genie 3: um world model fotorrealista em tempo real para ambientes interativos

Google DeepMind apresentou o Genie 3⁷como um world model de propósito geral capaz de gerar ambientes interativos e fotorrealistas a partir de prompts de texto.

Diferentemente dos generative models anteriores que produzem cenas estáticas ou videoclipes curtos, o Genie 3 simula mundos que podem ser explorados e com os quais se pode interagir em tempo real, marcando um grande avanço na modelagem de ambientes para IA incorporada.

O model foi projetado para ajudar os sistemas de IA a aprender como o mundo funciona, permitindo que eles experimentem, ajam e observem as consequências das ações em ambientes dinâmicos. Isso posiciona o Genie 3 como uma capacidade fundamental para treinar agentes que precisam raciocinar, planejar e se adaptar em cenários complexos.

O vídeo abaixo mostra como o Genie pode modelar o mundo físico e criar resultados usando prompts de ambiente e personagem:

Principais recursos

• Simulação de mundo em tempo real: O Genie 3 gera ambientes que rodam a aproximadamente 20–24 quadros por segundo, permitindo interação contínua em vez de sequências pré-geradas.
• Controlabilidade interativa: Os mundos gerados são totalmente navegáveis. Humanos ou agentes de IA podem se mover pelos ambientes e interagir com eles, com o model simulando como o mundo responde a essas ações.
• Renderização fotorrealista: Os mundos são produzidos em resolução de 720p com alta fidelidade visual, capturando texturas realistas, iluminação e detalhes ambientais.
• Consistência e memória do mundo: O Genie 3 mantém consistência interna. Quando os usuários revisitam locais vistos anteriormente, o model lembra e reconstrói detalhes anteriores em vez de gerá-los novamente.
• Plausibilidade física: Os ambientes refletem a estrutura e a dinâmica do mundo real, permitindo que o model simule paisagens e cenários naturais de uma forma que apoie a exploração intuitiva.

Limitações do Genie 3

• Gama limitada de ações: Atualmente, o Genie 3 suporta um conjunto restrito de interações. Embora os usuários possam navegar pelos ambientes e acionar certas mudanças por meio de prompts de texto, os agentes ainda não podem realizar um conjunto amplo ou totalmente autônomo de ações dentro do mundo.
• Dinâmica multiagente básica: O model se limita a simular interações complexas entre múltiplos agentes independentes. Coordenação realista, competição ou comportamento emergente entre vários agentes continua sendo um desafio de pesquisa em aberto.
• Sem precisão exata no mundo real: O Genie 3 não produz reconstruções totalmente precisas de locais específicos do mundo real. Embora os ambientes pareçam realistas, devem ser entendidos como simulações plausíveis, e não como gêmeos digitais precisos.
• Limitações na renderização de texto: O texto dentro dos ambientes (como placas ou rótulos escritos) não é gerado de forma confiável, a menos que seja especificado explicitamente no prompt e, mesmo assim, pode sair imperfeito.

Decart

O trabalho da Decart em large world models (LWMs) abrange tanto experiências de consumo quanto infraestrutura empresarial.

Sua plataforma Oasis permite que os usuários gerem e explorem mundos virtuais adaptativos com vídeo em tempo real e recursos interativos que evoluem em resposta à entrada do usuário. Frequentemente comparado ao Minecraft, o Oasis atraiu milhões de usuários por suas experiências audiovisuais dinâmicas.

Para empresas, a Decart oferece uma ferramenta de otimização de GPU que melhora a eficiência durante o treinamento e a inferência. Essa solução acelera o desenvolvimento de models, reduz os custos de implantação e permite que as empresas escalem aplicações de IA de forma mais econômica.⁸

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

Desafios e como mitigá-los

Apesar de sua promessa, os LWMs enfrentam vários desafios:

• Complexidade dos dados: O treinamento exige datasets multimodais massivos que abrangem sequências de vídeo, áudio, sensores e linguagem. A mitigação envolve combinar geração de dados sintéticos com fine-tuning em dados do mundo real.
• Intensidade computacional: Lidar com sequências longas e compreensão de vídeo exige grande poder computacional. Técnicas como atenção em anel e comprimentos de sequência otimizados estão sendo desenvolvidas para tornar o treinamento mais eficiente.
• Viés e segurança: Incorporar conhecimento humano e dados do mundo real aumenta os riscos de viés ou uso indevido. O treinamento cuidadoso de models, a avaliação em novos benchmarks e a supervisão ética são essenciais.
• Privacidade: Ambientes do mundo real geralmente incluem informações pessoais e sensíveis. Treinamento com preservação de privacidade e frameworks claros de governança são necessários.

Perspectivas futuras

Os large world models representam uma mudança de paradigma na inteligência artificial. Eles não são meramente versões maiores dos models existentes, mas introduzem a capacidade de aprender com ambientes do mundo real, gerar vídeos cientes da física e permitir que máquinas autônomas atuem em cenários dinâmicos.

À medida que a tecnologia amadurece, os LWMs provavelmente formarão a espinha dorsal dos sistemas de IA física que unem experiências virtuais e do mundo real, apoiando tanto aplicações industriais especializadas quanto experiências interativas voltadas ao consumidor.

Cite esta pesquisa

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Large World Models: casos de uso e exemplos}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/large-world-models}},
  note   = {AIMultiple. Acessado em 4 junho 2026}
}

Registro de alterações

4 atualizações

20262025

1. 4 jun

   Adicionados o WorldsNQ da Worlds e o Large Geospatial Model da Niantic Spatial à seção de exemplos de grandes modelos de mundo.

2. 4 fev

   Removido Genie 2 do artigo.

3. 2 fev

   Adicionado Marble e Genie 3 à seção Exemplos reais de grandes modelos de mundo.

Links de referência

1.

GitHub - LargeWorldModel/LWM: Large World Model -- Modeling Text and Video with Millions Context · GitHub

2.

Making Large Language Models into World Models with Precondition and Effect Knowledge

3.

PoE-World: Compositional World Modeling with Products of Programmatic Experts

4.

LatticeWorld: A Multimodal Large Language Model-Empowered Framework for Interactive Complex World Generation

5.

General Agentic Planning Through Simulative Reasoning with World Models

6.

Marble: A Multimodal World Model | World Labs

7.

Genie 4 — Google DeepMind

8.

Decart AI Lab | Real-Time World Models

Decart

Sıla Ermut

Analista do Setor

Siga-nos

Sıla Ermut é analista do setor na AIMultiple, cobrindo models de IA, infraestrutura de IA, governança de IA e aplicações empresariais de IA. Sua pesquisa se concentra principalmente no uso de IA em marketing, saúde, cadeias de suprimentos e sustentabilidade.
Ela trabalhou anteriormente como recrutadora em empresas de gerenciamento de projetos e consultoria. Sıla possui mestrado em Psicologia Social e bacharelado em Relações Internacionais.

Ver perfil completo

Seja o primeiro a comentar

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário