Genie 4 vs CARI4D: Um gera um mundo, o outro resolve um vídeo

A única coisa que Genie 4 e CARI4D compartilham de forma confiável é um rótulo. O Genie 4, anunciado pelo Google DeepMind em 27 de outubro de 2026, é um modelo de mundo generativo: você descreve uma cena, a orienta em linguagem natural, e ele produz vídeo com áudio sincronizado por alguns minutos. O CARI4D, método de reconstrução da NVIDIA Research para a CVPR 2026, segue a direção oposta. Ele recebe um vídeo monocular de uma pessoa manipulando um objeto e retorna a pose dessa pessoa, a trajetória de seis graus de liberdade do objeto e duas pontuações de contato das mãos para cada quadro. Um inventa um mundo plausível. O outro mede um mundo real. Coloque os dois lado a lado e a pergunta útil deixa de ser “qual é melhor” e passa a ser “para qual direção meu problema está voltado”.

A confusão é compreensível, porque ambos os produtos são classificados como "4D" e ambos produzem algo que se move no tempo. Mas um gerador e um método de reconstrução não são implementações concorrentes da mesma tarefa; eles falham de maneiras opostas e são comprados por pessoas diferentes. O Genie 4 pode inventar uma rua convincente que nunca existiu, e não consegue dizer onde qualquer coisa nela realmente está. O CARI4D consegue dizer, quadro a quadro, como uma mão se fechou ao redor de uma chaleira, e não consegue inventar uma chaleira que não tenha visto. Abaixo, os dois modelos são separados pelo que recebem, pelo que devolvem e pelo que cada um estruturalmente não consegue fazer.

O que o Genie 4 retorna: uma sessão, não um arquivo de cena

A primeira coisa a entender sobre o Genie 4 é que sua saída é consumida em tempo real e não sobrevive à sessão como geometria. A descrição do próprio Google é um mundo que você coloca em movimento e conduz: mova a câmera, mude o clima, adicione um personagem, e um modelo Gemini adapta a instrução ao que já está na tela. Os quadros são gerados de forma autorregressiva, e é por isso que a coerência é medida em segundos e minutos, e não na complexidade da cena.

As adições em relação ao Genie 3 são as que todas as manchetes destacaram. O áudio é gerado nativamente — som ambiente, música e diálogo interativo — em vez de ser adicionado depois. O controle é em tempo real, em vez de um prompt que reinicia o mundo. E a janela de coerência é relatada em cerca de dois minutos, o dobro da de seu antecessor, embora o blog do Google diga apenas "sessões curtas" e o número de dois minutos venha dos briefings de lançamento.

O que está ausente importa tanto quanto o resto. Não há exportação de malha, nem grafo de cena, nem rastreamento de câmera, nem buffer de profundidade, e nenhuma forma de levar o mundo gerado para Blender, Unity ou Unreal. Um estúdio que queira fazer o blocking de uma tomada pode ver o Genie 4 fazer isso e não consegue entregar o resultado a um pipeline. Também não há resolução, taxa de quadros, tamanho de modelo, benchmark ou preço publicados, e o acesso é um grupo limitado de testadores de confiança com uma lista de espera pública — assinantes do AI Ultra por meio do Project Genie e parceiros de acesso antecipado da Gemini API têm a promessa de "em breve", sem data.

O Google de fato nomeia os modos de falha, o que é mais do que a maioria dos posts de lançamento faz: a permanência de detalhes e de objetos se degrada ao longo de sessões mais longas e após edições repetidas, a precisão espacial é imperfeita, o texto dentro do mundo virtual é frequentemente ilegível, e a precisão de áudio não está resolvida. Toda saída carrega uma marca-d'água SynthID. Para uma ferramenta de pré-visualização, essas ressalvas são sobrevivíveis. Para qualquer coisa que exija uma medição, elas são desqualificantes.

O que o CARI4D retorna: poses, trajetórias e contato

O CARI4D é um pipeline, não uma única rede, e sua saída é deliberadamente restrita. Dado um vídeo RGB monocular, ele reconstrói a pessoa com um modelo corporal paramétrico, reconstrói a malha do objeto manipulado a partir do primeiro quadro, posiciona ambos em escala métrica e os rastreia ao longo da sequência. O componente aprendido que realiza a correção é o CoCoNet, um transformer de renderizar-e-comparar que recebe a estimativa atual, a renderiza em RGB, profundidade e máscaras, e regride correções de pose por quadro, além de um logit de contato por mão.

As dependências estão explícitas no repositório: UniDepth para profundidade métrica, NLF para pose humana, Hunyuan3D para a malha do objeto, FoundationPose para busca e rastreamento de pose, e CoCoNet para a etapa de correção. Isso importa ao dimensionar a implantação, porque cada uma delas é um checkpoint separado, com sua própria licença e seu próprio perfil de hardware.

O CARI4D é distribuído em duas formas. O checkpoint de pesquisa, nvidia/CARI4D, está marcado como somente para pesquisa e desenvolvimento e remete ao arXiv 2512.11988, publicado em 12 de dezembro de 2025. Uma variante comercial, cari4d_commercial, abrange o Momentum Human Rig da NVIDIA e é regida pelo NVIDIA Open Model Agreement. Nenhum dos dois é implantado por qualquer provedor de inferência no Hugging Face, portanto, “disponível” significa pesos, mais uma configuração Docker e uma GPU NVIDIA, e não um endpoint. Não há linha em leaderboard público nem reprodução independente; as evidências numéricas são as próprias ablações do artigo da CVPR sobre o BEHAVE, que é pesquisa produzida pelo fornecedor.

A comparação, dimensão por dimensão

• Entrada — O Genie 4 recebe uma descrição em texto mais instruções de condução ao vivo; o CARI4D recebe um vídeo RGB monocular já existente.

• Saída — Genie 4 retorna vídeo e áudio gerados, transmitidos em streaming em uma sessão; CARI4D retorna pose e forma humana por quadro, rotação e translação de objetos, e logits de contato com a mão.

• Grounding — O Genie 4 é plausível, mas não ancorado; nada na saída corresponde a uma coordenada medida. O CARI4D é métrico, recuperando a escala por meio de estimativa de profundidade e busca de pose em relação aos quadros observados.

• Persistência — O mundo do Genie 4 termina quando a sessão termina e não pode ser exportado. A saída do CARI4D é uma estrutura de dados que você pode armazenar, renderizar novamente e comparar.

• Áudio — O Genie 4 gera áudio, incluindo diálogos; o CARI4D não tem nenhum e não modela som.

• Acesso — Genie 4 é somente por convite e sem preço; CARI4D são pesos para download com licença de pesquisa e uma variante comercial sob o acordo da NVIDIA.

• Evidência — O Genie 4 tem demonstrações e alegações do fornecedor, nenhum benchmark publicado; o CARI4D tem um artigo revisado por pares, ablações executadas pelo fornecedor e nenhuma reprodução por terceiros.

A sobreposição que existe, e a que não existe

A composição tentadora é usar o CARI4D para reconstruir uma interação real e, em seguida, usar o Genie 4 para imaginar variações dela. No papel, a transição parece natural: o CARI4D produz uma cena humano-objeto com base métrica, e o Genie 4 produz desfechos alternativos. Na prática, não há interface entre eles. O Genie 4 aceita texto e entrada de direcionamento, não uma cena reconstruída, uma malha ou uma trilha de pose. Nada publicado por nenhuma das equipes descreve alimentar um com o outro, e o fato de ambas as saídas parecerem tridimensionais em uma captura de tela não as torna formatos compatíveis.

A sobreposição que de fato existe é mais estreita e mais útil: ambas são ferramentas para raciocinar sobre o que acontece em seguida em uma cena física. O CARI4D oferece a você a dinâmica observada — contato, preensão, trajetória — que é exatamente o tipo de sinal de que um pipeline de aprendizado de robôs precisa para rotular demonstrações. O Genie 4 oferece a você contrafactuais, que é o que uma política precisa para ensaiar situações que não registrou. Um laboratório que constrói dados corporificados poderia plausivelmente usar ambos, em diferentes lados do mesmo conjunto de dados, sem que nenhum dos modelos jamais converse com o outro.

Os modos de falha também são imagens espelhadas. O Genie 4 consegue renderizar belamente um objeto errado e se afastar dele ao longo de dois minutos. O CARI4D consegue rastrear com precisão um objeto de formato ruim durante um vídeo inteiro e ainda entregar uma malha ruim, porque suas métricas tratam de pose e contato, não de fidelidade de superfície. Nenhum dos modelos corrige a fraqueza do outro.

O que você pode realmente executar esta semana

CARI4D é o que tem um caminho para execução. Os pesos são públicos, a imagem Docker existe e uma GPU da classe A100 é o alvo documentado. Ainda é um pipeline de pesquisa com um artigo para ler e vários checkpoints externos para montar, mas uma equipe com o hardware pode estar executando-o esta semana. O Genie 4 é o que tem uma lista de espera.

Vale a pena ser direto sobre nosso próprio catálogo: o OrcaRouter não hospeda nenhum dos dois modelos. O CARI4D é um pipeline de reconstrução de pesquisa sem nenhum endpoint hospedado, e o Genie 4 não tem API pública para rotear. O que roteamos é parte da camada de raciocínio que o Google construiu em torno do Genie 4 — Gemini 3.8 Flash, o modelo que observa quadros gerados e replaneja, e Gemini Robotics ER 1.6 preview — em uma única API para mais de 200 modelos, com preços de tabela dos provedores repassados com 0% de margem e failover automático entre provedores. Se seu trabalho de fato é fazer perguntas sobre um vídeo em vez de reconstruí-lo ou gerá-lo, um modelo multimodal hospedado é a resposta mais barata, e não exige convite.

Para todos os outros, a decisão se resume a uma frase para cada um. Se o vídeo já existe e você precisa saber o que a pessoa e o objeto fizeram, CARI4D é o único dos dois que responde à pergunta. Se o mundo ainda não existe e você precisa vê-lo se mover, Genie 4 é o único que vai mostrar a você — assim que alguém deixar você entrar.