CARI4D Komersial: NVIDIA Membuka Model Interaksi 4D-nya untuk Bisnis, Secara Diam-diam

Sekitar tanggal 30 Agustus 2026, sebuah repositori bergerbang bernama nvidia/cari4d_commercialmuncul di Hugging Face. Kartu modelnya menjelaskan sebuah checkpoint yang oleh vendor disebut "CARI4D CoCoNet Native Momentum Human Rig (MHR)" — jaringan 231 juta parameter yang menerima video MP4 biasa dan mengembalikan, frame demi frame, pose satu manusia dan satu objek kaku yang sedang ditangani, plus dua logit kontak tangan. Baris lisensinya berbunyi nvidia-open-model-agreement, dan kartu itu menyatakan model ini siap digunakan untuk keperluan komersial maupun non-komersial. Ini merupakan perubahan yang berarti dari CARI4D sebelumnya. Repositori risetnya, nvidia/CARI4D, menyediakan keluarga model yang sama — CoCoNet, 194 juta parameter — di bawah NVIDIA License dengan tulisan "hanya untuk riset dan pengembangan" tercantum di kartunya. Inilah perbedaan antara sebuah makalah yang bisa Anda baca dan komponen yang bisa Anda rilis.

Yang membuat ini layak diberitakan bukanlah perilisan itu. Melainkan keheningan di sekitarnya. Ini bukan peluncuran: NVIDIA tidak menerbitkan postingan blog, entri newsroom, tabel benchmark, maupun harga untuk cari4d_commercial, dan pada saat penulisan, repositori itu hanya dapat diakses setelah menyetujui ketentuan dan membagikan informasi kontak. Semua yang di bawah ini dibaca dari dua kartu model dan rilis kode publik. Jika suatu klaim merupakan klaim NVIDIA sendiri dan tidak direproduksi, artikel ini menyatakannya.

Apa yang sebenarnya berubah pada 30 Agustus

Godaan untuk mengarsipkan ini sebagai perubahan lisensi. Ini lebih dari itu. Bacalah kedua kartu itu secara berdampingan dan tiga hal berubah sekaligus — lisensinya, ukuran pos pemeriksaannya, dan model tubuh manusia yang mendasarinya.

• Parameter — rilis riset CARI4D 194M vs CARI4D CoCoNet MHR 231M

• Checkpoint — step031397.pth (31.397 langkah pelatihan) vs string versi 2026-08-25-09-35-57, langkah 200.000, status "Pelatihan selesai"

• Rig tubuh — pose dan bentuk SMPL / SMPL-H vs parameter Native Momentum Human Rig (MHR)

• Lisensi — NVIDIA License, "hanya untuk penelitian dan pengembangan" vs NVIDIA Open Model Agreement, penggunaan komersial diizinkan

• Akses — unduhan terbuka vs terbatas, syarat harus disetujui

• Keluaran — pose, bentuk, dan translasi SMPL yang diperbarui, rotasi dan translasi objek, kontak tangan biner vs pose objek per-frame dan residu MHR, plus dua logit kontak tangan

Jumlah langkah adalah baris yang patut diperhatikan. Checkpoint riset yang dibekukan pada sekitar 31k langkah dan checkpoint produksi yang berjalan hingga 200.000 bukanlah objek yang sama dengan header lisensi berbeda yang ditempelkan begitu saja. NVIDIA juga melaporkan angka 231M sebagai "diukur dari status model langkah-84.000, tidak termasuk buffer terdaftar," yang memberi tahu Anda bahwa kartu itu menggambarkan silsilah pelatihan, bukan satu artefak tunggal yang dibekukan.

Penggantian rig tubuh sama pentingnya bagi siapa pun yang sudah membangun kode dengan acuan CARI4D. Jalur riset ini seluruhnya berbasis SMPL — istilah optimisasi dalam makalah melakukan regresi pose, bentuk, dan translasi SMPL, dan kodenya bergantung pada file pickle SMPL-H plus patch VolumetricSMPL. MHR adalah parameterisasi yang berbeda. Jika Anda menulis kode integrasi terhadap tensor keluaran checkpoint riset, bentuk keluaran kartu komersial bukan pengganti langsung.

Rilis riset yang menjadi landasan ini sudah berusia delapan bulan.

Perlu ketepatan mengenai garis waktunya, karena frasa "model baru" akan keliru di sini dan frasa "model lama" juga akan keliru.

Makalah CARI4D — Rekonstruksi 4D Interaksi Manusia-Objek yang Agnostik Kategori, oleh Xianghui Xie, Bowen Wen, Yan Chang, Hesam Rabeti, Jiefeng Li, Ye Yuan, Gerard Pons-Moll dan Stan Birchfield — diunggah ke arXiv pada 16 Desember 2025 sebagai 2512.11988, dan diterima di CVPR 2026. Rilis kode NVlabs menyusul pada 28 Februari 2026. Kode pelatihan dan prapemrosesan video kustom tersedia pada 4 April. Dengan perhitungan normal apa pun, jalur penelitian ini sudah mapan, sebuah karya berusia delapan bulan dengan daftar TODO yang telah selesai.

Jadi, kerangka jujurnya begini: metode sudah lama bukan hal baru, dan artefak komersial berumur tiga minggu. Jika Anda mencari CARI4D pada Maret dan menyimpulkan bahwa itu adalah keingintahuan penelitian dengan lisensi yang membatasi, kesimpulan itu benar saat itu dan sudah usang sekarang. Itulah alasan keseluruhan ini masuk ke slot berita.

Apa yang sebenarnya dilakukan model ini, dan seberapa baik

CARI4D merekonstruksi interaksi manusia-objek dalam 4D — tiga dimensi ruang ditambah waktu — pada skala metrik, dari satu video RGB monokular. Batasan terakhir itulah yang menarik. Memulihkan skala metrik suatu objek yang dipegang seseorang, dari satu kamera biasa, tanpa sensor kedalaman dan tanpa perangkat multi-view, adalah masalah yang menjadi dasar makalah ini.

Pipeline ini adalah rangkaian model fondasi alih-alih satu jaringan end-to-end: UniDepth untuk kedalaman metrik, NLF dan GENMO untuk pose manusia, Hunyuan3D untuk mesh objek dari satu gambar, FoundationPose untuk pelacakan objek, VolumetricSMPL untuk model tubuh signed-distance. CoCoNet — bagian yang sebenarnya dirilis NVIDIA — berada di tengah dan melakukan penalaran kontak. CoCoNet merender estimasi manusia dan objek saat itu ke RGB, depth, dan mask, lalu membandingkan render tersebut dengan observasi nyata menggunakan encoder RGB DINOv2 ViT-B/14 dan encoder XYZ-dan-mask enam kanal ViT-S/14, menjalankan dua blok atensi spatiotemporal, dan meregresikan koreksi per frame melalui head MLP.

Angka yang dilaporkan, dari makalah dan kartu milik vendor sendiri: kesalahan rekonstruksi 38% lebih rendah daripada prior art pada kumpulan data in-distribution, 36% pada kumpulan data yang belum pernah dilihat. Ablasi yang membuat arsitektur tersebut mudah dipahami menempatkan Chamfer distance objek pada 1.565,42 cm dari NLF mentah ditambah pelacakan FoundationPose, 16,85 cm setelah inisialisasi CARI4D, dan 11,59 hingga 11,57 cm setelah penyempurnaan CoCoNet dan optimisasi gabungan penuh diaktifkan. Itu adalah angka vendor dari makalah yang ditinjau sejawat — asal-usul yang lebih baik daripada halaman pemasaran, tetap bukan reproduksi independen, dan belum ada pihak ketiga yang menerbitkannya.

Kartu komersial menambahkan detail yang tidak dapat diberikan oleh makalah: model tersebut dilatih pada FORM-HOI, yang dijelaskan sebagai 2.126 sekuens internal, dan kartu itu menyatakan secara gamblang bahwa tidak ada dataset pengujian terpisah — evaluasinya adalah kumpulan demo kualitatif. Kartu itu juga mencatat bahwa korpus pelatihan internal "Daniel" tidak didistribusikan. Jika dibaca bersama, itu adalah vendor yang memberi tahu Anda bahwa distribusi pelatihan itu milik mereka dan bukti generalisasinya lebih tipis daripada yang disiratkan oleh tabel ablasi.

Apa yang sebenarnya diberikan oleh lisensi, dan apa yang tidak

NVIDIA Open Model Agreement adalah lisensi komersial yang permisif, tetapi "penggunaan komersial diizinkan" tidak sama dengan "tanpa kewajiban." Kartu tersebut mencantumkan model sebagai ditujukan untuk pengembang dan peneliti yang membangun sistem visi komersial atau nonkomersial untuk estimasi pose manusia-objek 3D/4D, analisis gerak, visualisasi, kurasi data, dan persepsi robotik, serta secara eksplisit mengecualikan aktuasi otonom langsung atau keputusan yang kritis terhadap nyawa.

Dua catatan praktis untuk siapa pun yang mengevaluasi ini. Pertama, repositori ini aksesnya dibatasi: Anda menyetujui ketentuan dan membagikan informasi kontak sebelum file-file tersebut muncul, jadi tinjauan pengadaan dan hukum terjadi sebelum unduhan, bukan setelahnya. Kedua, model yang di-deploy tidak mandiri. CoCoNet memiliki 231 juta parameter, tetapi tidak berjalan sendiri — pipeline yang lebih luas masih mengambil bobot torchscript NLF, bobot FoundationPose, aset SMPL-H, sebuah `kid_template.npy`, dan masih memerlukan Hunyuan3D untuk menghasilkan mesh objek sejak awal. Lisensi komersial mencakup bagian yang dirilis NVIDIA. Lisensi itu tidak mencakup dependensi pihak ketiga di sekitarnya, dan masing-masing dependensi tersebut membawa ketentuannya sendiri. Itulah cara paling umum rilis seperti ini mengejutkan tim hukum.

Apa dampaknya bagi orang-orang yang membangun dengan model

Untuk bersikap langsung tentang cakupan: CARI4D adalah model rekonstruksi computer vision, bukan model bahasa, dan OrcaRouter tidak menyediakannya. Tidak ada apa pun dalam artikel ini yang boleh diartikan sebagai menyatakan sebaliknya — self-hosting dengan PyTorch pada GPU kelas Ampere, yang merupakan konfigurasi yang menurut kartu tersebut telah divalidasi, adalah satu-satunya cara untuk menjalankannya saat ini.

Alasan ini masih layak mendapat satu paragraf di sini adalah karena kartu tersebut menyebut kurasi data sebagai salah satu penggunaan utama yang dimaksudkan, dan itulah bagian dari pipeline 4D tempat model bahasa benar-benar berada. Membangun kumpulan data interaksi manusia-objek berarti memberi keterangan pada klip, melabeli peristiwa kontak, menulis perintah QC, dan memfilter kegagalan — pekerjaan yang berjalan melalui vision-language dan model bahasa, dan pekerjaan yang skalanya buruk jika masing-masing merupakan kontrak terpisah dan kunci terpisah. Merutekan lebih dari 200 model di balik satu API di OrcaRouter, dengan harga daftar penyedia diteruskan pada markup 0% dan failover otomatis saat penyedia mengalami penurunan performa, adalah gambaran lapisan itu ketika tidak dibuat khusus. Potongan harga vendor sampai ke endpoint pada hari yang sama, karena tidak ada markup yang perlu dihitung ulang. Itu pekerjaan yang berbeda dari yang dilakukan CARI4D, dan itulah pekerjaan yang melingkupinya.

Apa yang akan mengubah pembacaan ini?

Empat hal. Pengumuman NVIDIA akan mengubah repositori yang sepi menjadi produk yang didukung, dan bersamanya akan datang ketentuan harga dan dukungan yang saat ini belum ada. Evaluasi yang diterbitkan atas dataset yang tidak dibuat NVIDIA akan menyelesaikan pertanyaan generalisasi yang dibiarkan terbuka oleh kartu tersebut. Dokumentasi tentang apa yang diubah MHR dibandingkan dengan SMPL akan memberi tahu para integrator CARI4D yang ada seberapa mahal migrasi itu sebenarnya — saat ini kartu tersebut menyebut rig tanpa menjelaskan delta. Dan keputusan mengenai dependensi pihak ketiga akan menentukan apakah "berlisensi komersial" berarti seperti yang akan diasumsikan oleh tim pengadaan.

Sampai saat itu, deskripsi yang tepat adalah sempit dan tidak glamor, dan itulah yang didukung oleh bukti: lini CARI4D milik NVIDIA telah memiliki checkpoint berlisensi komersial, lebih besar, dan dilatih lebih lama yang tersedia sejak 30 Agustus 2026, dan vendor tersebut belum mengatakan sepatah kata pun tentangnya. Jika Anda memerlukan interaksi manusia-objek 4D pada skala metrik dan Anda sudah menganggap ini hanya untuk riset, penghalang yang selama ini Anda akali sudah hilang.