CARI4D vs ABot-Earth 0.7: Dois Modelos 4D Que Nunca Competem

Se você pesquisou por CARI4D contra ABot-Earth 0.7 esperando um confronto direto, a resposta honesta é que essa comparação não existe e nenhuma está por vir. Esses dois sistemas não fazem o mesmo trabalho, não recebem a mesma entrada, não produzem a mesma coisa, e nunca seriam comparados em benchmark um contra o outro por alguém que entendesse qualquer um dos dois. CARI4D é a reconstrução 4D de interação humano-objeto da NVIDIA, agnóstica de categoria — ele observa uma pessoa manuseando um objeto em um vídeo comum e recupera suas poses em escala métrica ao longo do tempo. ABot-Earth 0.7 é o modelo de mundo urbano nativo em 3D da Amap — ele recebe uma imagem de satélite ou um prompt de texto e gera uma cidade explorável em escala de quilômetros como uma cena de Gaussian-splatting. A razão pela qual esta página existe mesmo assim é que o eixo que os separa é genuinamente útil, e os dois são muito mais diferentes naquilo que você pode fazer com eles do que naquilo que eles parecem ser.

Há também uma segunda razão, mais incisiva. Estes dois lançamentos estão em extremos opostos de um espectro que importa mais do que qualquer linha de especificação: um deles você pode baixar e executar hoje à tarde, e o outro você não pode executar de forma alguma.

A resposta que ninguém que pesquisa esta consulta quer

Ambos são descritos como 4D. Ambos são de grandes fornecedores. Ambos foram lançados no último ano. É mais ou menos aí que as semelhanças acabam.

O CARI4D reconstrói. Dado um vídeo, ele estima o que estava lá. O artigo — Reconstrução 4D Agnóstica a Categoria da Interação Humano-Objeto por Xianghui Xie, Bowen Wen, Yan Chang, Hesam Rabeti, Jiefeng Li, Ye Yuan, Gerard Pons-Moll e Stan Birchfield — foi publicado no arXiv como 2512.11988 em dezembro de 2025 e foi aceito na CVPR 2026. Seu tema é um humano e um objeto rígido em contato, e sua principal afirmação é a escala: recuperar dimensões métricas a partir de uma câmera monocular sem sensor de profundidade e sem sistema de múltiplas vistas, que é a parte com a qual trabalhos anteriores tiveram dificuldade.

O ABot-Earth 0.7 gera. Dada uma imagem de satélite georreferenciada ou uma descrição textual, ele produz uma cena que não existia como dados antes. A Amap, empresa chinesa de mapeamento e navegação, apresentou-o em 10 de setembro de 2026 em sua gala Street Stars, em Hangzhou, sucedendo o ABot-Earth 0.5, de 8 de junho. Ele gera splats gaussianos 3D, exporta para Unreal Engine e Unity e abrange o que a Amap afirma serem mais de 196 países e regiões, em comparação com mais de 190 na 0.5.

Um é um estimador. O outro é um gerador. Essa distinção faz mais do que qualquer tabela de benchmark poderia.

Uma pessoa e uma cadeira, ou uma cidade

A diferença de escala é aquela que as pessoas subestimam. A unidade de interesse do CARI4D é um corpo humano e um objeto segurado na mão, medidos em centímetros, rastreados ao longo dos quadros de um único clipe. A unidade de interesse do ABot-Earth 0.7 é um quilômetro quadrado de cidade, gerado em cerca de dez minutos em uma única GPU de nível de consumidor, segundo a própria Amap.

• Entrada — CARI4D um vídeo RGB monocular, MP4 vs ABot-Earth 0.7 uma imagem de satélite ou um prompt de texto

• Saída — pose e forma humanas por quadro do CARI4D, rotação e translação de objetos, e dois logits de contato das mãos vs. ABot-Earth 0.7, uma cena de 3D Gaussian splatting, exportável para Unreal Engine e Unity

• Unidade de análise — CARI4D: um ser humano e um objeto rígido em contato vs. ABot-Earth 0.7: terreno, edifícios, vegetação e pontos de referência à escala da cidade

• Afirmação temporal — CARI4D reconstrói o movimento observado quadro a quadro vs. ABot-Earth 0.7 é posicionado como um modelo de mundo com uma camada de predição para o que acontece a seguir

• Escala métrica — escala métrica CARI4D recuperada de vídeo monocular via UniDepth e uma busca de escala coarse-to-fine vs ABot-Earth 0.7 georreferenciado a partir de uma imagem de satélite, sem problema de recuperação métrica

• Custo de execução — CARI4D PyTorch em uma GPU NVIDIA Ampere, validado em A100, 38 horas em 8×A100 para a execução de treinamento de pesquisa vs ABot-Earth 0.7 cerca de dez minutos por km² em uma GPU de nível consumidor, segundo a própria comparação da Amap

Observe que nenhuma das colunas é melhor que a outra em uma única linha. Elas estão medindo mundos diferentes. Um modelo que recupera o ponto de contato entre uma mão e um cilindro de gás não é melhorado por também saber onde estão os edifícios, e um modelo que gera um horizonte urbano plausível não é melhorado por saber o ângulo exato do pulso de um pedestre.

A assimetria que realmente decide isso

Aqui está a diferença que um comprador sentirá na primeira hora, e isso não tem nada a ver com capacidade.

O CARI4D tem código e pesos que você pode obter hoje. O repositório da NVlabs traz a implementação oficial, lançada em 28 de fevereiro de 2026, com código de treinamento e pré-processamento de vídeo personalizado adicionados em 4 de abril. O checkpoint pré-treinado do CoCoNet é baixado do Hugging Face, a imagem Docker xiexh20/cari4d está publicada e, desde 30 de agosto de 2026, um checkpoint de 231M com licença comercial está disponível como nvidia/cari4d_commercial sob o NVIDIA Open Model Agreement — com acesso restrito, mas obtenível. As dependências estão documentadas, incluindo as partes complicadas: pesos torchscript do NLF, pesos do FoundationPose, ativos SMPL-H, um kid_template.npy do AGORA e Hunyuan3D para as malhas dos objetos. Você pode executar inferência na demonstração do BEHAVE, em um clipe in-the-wild fornecido ou no seu próprio vídeo, e avaliá-lo com os scripts fornecidos.

O ABot-Earth 0.7 não é obtenível em nenhum desses sentidos. A Amap não publicou pesos de modelo, ficha de modelo, API pública, preços nem documentação para desenvolvedores. O site de experiência está no ar, mas a Amap descreve a geração como somente por convite ou lista de permissões, a interface está apenas em chinês simplificado e o repositório do GitHub da era 0.5, segundo relatos, continha um relatório técnico e nada executável. Todos os números de destaque — dez minutos por quilômetro quadrado, cerca de 1.000× a eficiência da reconstrução tradicional, aproximadamente um centésimo do custo, mais de 196 países — remontam à Amap e não foram reproduzidos de forma independente por ninguém fora da Amap. São números reportados pelo fornecedor, e atualmente não há nenhum caminho pelo qual possam se tornar outra coisa.

Então, a comparação prática não é "qual modelo é melhor". É que um deles é um artefato de pesquisa com licença comercial e uma imagem Docker, e o outro é uma demonstração de produto com um ciclo de imprensa. Ambas são conquistas legítimas. Só um deles é algo que você pode colocar em um build.

Onde os dois genuinamente se encontrariam

Há uma composição real aqui, e vale a pena ser concreto sobre isso, porque é o único sentido em que essas coisas pertencem à mesma conversa.

A saída do CARI4D é interação humano-objeto em um referencial métrico de mundo. A saída do ABot-Earth 0.7 é um ambiente. Preencha o segundo com o primeiro e você obtém algo que nenhum dos dois produz sozinho: uma cidade gerada na qual pessoas fazem coisas que são fisicamente medidas, e não posicionadas artisticamente. Simulação robótica, planejamento de layout de varejo e geração de conjuntos de dados de interação querem exatamente essa combinação — um ambiente barato o suficiente para ser regenerado e movimento humano preciso o suficiente para treinar com base nele.

A costura entre eles é uma transformação de coordenadas e uma convenção de escala, e não é trivial, porque o referencial métrico do CARI4D é definido em relação a uma única câmera e o do ABot-Earth 0.7 é definido por geolocalização. Ninguém publicou essa integração. É o tipo de coisa que uma equipe constrói em uma semana e não documenta.

A etapa que é esquecida nesse pipeline é a parte que transforma dados brutos de interação em algo consultável — legendar clipes, etiquetar eventos de contato, construir índices de recuperação e filtros de controle de qualidade sobre a saída. Esse trabalho passa por modelos de visão-linguagem e de linguagem, e é a camada que o OrcaRouter cobre: mais de 200 modelos por trás de uma única API, o preço de tabela do provedor repassado com 0% de markup, failover automático quando um provedor apresenta degradação, e uma DSL de roteamento que compõe vários modelos em uma única chamada, para que a legendagem e a etapa de QC não precisem ser integrações separadas. Nem o CARI4D nem o ABot-Earth 0.7 são servidos ali, e nenhum dos dois é um LLM — mas as ferramentas que você usa ao redor deles quase certamente são.

Qual deles você realmente quer

Escolha o CARI4D se tiver vídeo de uma pessoa a interagir com um objeto e precisar das suas poses, em unidades métricas, quadro a quadro — para análise de movimento, perceção em robótica, referência de animação ou criação de um conjunto de dados de interação. Está disponível agora, está documentado, e a licença comercial chegou a 30 de agosto de 2026. Reserve orçamento para a cadeia de dependências e leia os termos da licença relativos às partes que a NVIDIA não detém.

Escolha o ABot-Earth 0.7 se você precisa de ambientes em vez de atores — cenas em escala urbana geradas a partir de uma localização ou de uma descrição, rapidamente, exportáveis para um motor de jogo. Entenda que você está avaliando uma capacidade demonstrada em vez de adotar uma ferramenta, que o acesso é discricionário e que os números de eficiência são da própria Amap.

Escolha ambos somente se você estiver construindo o sistema composto descrito acima, e vá sabendo que você mesmo escreverá a costura.

A pergunta que vale a pena fazer não é qual destes dois vence. É se aquilo que você está realmente construindo precisa de um modelo de reconstrução, de um modelo de geração, ou de nenhum dos dois — e, nessa pergunta, estas duas respostas nunca se sobrepõem.