CARI4D เชิงพาณิชย์: NVIDIA เปิดโมเดลปฏิสัมพันธ์ 4D ให้ภาคธุรกิจอย่างเงียบๆ

ราว ๆ วันที่ 30 สิงหาคม 2026 รีพอซิทอรีแบบจำกัดการเข้าถึงที่ชื่อ nvidia/cari4d_commercial ปรากฏขึ้นบน Hugging Face การ์ดโมเดลของมันอธิบายเช็กพอยต์ที่ผู้ขายเรียกว่า "CARI4D CoCoNet Native Momentum Human Rig (MHR)" — เครือข่ายขนาด 231 ล้านพารามิเตอร์ที่รับวิดีโอ MP4 ธรรมดา แล้วคืนค่า ทีละเฟรม ท่าทางของมนุษย์หนึ่งคนและวัตถุแข็งหนึ่งชิ้นที่พวกเขากำลังจัดการอยู่ พร้อมด้วยโลจิตการสัมผัสของมือสองค่า บรรทัดสัญญาอนุญาตระบุว่า nvidia-open-model-agreement และการ์ดระบุว่าโมเดลพร้อมสำหรับการใช้งานเชิงพาณิชย์หรือไม่เชิงพาณิชย์ นั่นคือการเปลี่ยนแปลงที่มีนัยสำคัญจาก CARI4D ในชีวิตก่อนหน้านั้น รีพอซิทอรีงานวิจัย nvidia/CARI4D ซึ่งส่งมอบโมเดลตระกูลเดียวกัน — CoCoNet 194 ล้านพารามิเตอร์ — ภายใต้ NVIDIA License โดยมีคำว่า "for research and development only" พิมพ์อยู่บนการ์ด มันคือความแตกต่างระหว่างงานวิจัยที่คุณอ่านได้กับคอมโพเนนต์ที่คุณส่งออกได้

สิ่งที่ทำให้เรื่องนี้เป็นข่าวไม่ใช่การเปิดตัว หากแต่เป็นความเงียบที่ล้อมรอบมันไว้ นี่ไม่ใช่การเปิดตัว: NVIDIA ไม่ได้โพสต์บล็อก ไม่มีรายการใน newsroom ไม่มีตาราง benchmark และไม่มีราคาสำหรับ cari4d_commercial และ ณ เวลาที่เขียนนี้ repository นี้เข้าถึงได้เฉพาะหลังจากยอมรับข้อกำหนดและแชร์ข้อมูลติดต่อเท่านั้น ทุกอย่างด้านล่างนี้อ่านมาจากโมเดลการ์ดสองใบและการเผยแพร่โค้ดสู่สาธารณะ เมื่อใดที่ข้อกล่าวอ้างเป็นของ NVIDIA เองและยังไม่มีการทำซ้ำ บทความนี้ระบุไว้เช่นนั้น

มีอะไรเปลี่ยนไปจริง ๆ เมื่อวันที่ 30 สิงหาคม

สิ่งที่น่าล่อใจคือการจัดเรื่องนี้เป็นเพียงการเปลี่ยนแปลงไลเซนส์ แต่มันมากกว่านั้น อ่านการ์ดสองใบนี้เทียบกันดู แล้วจะพบว่ามีสามสิ่งที่เปลี่ยนไปพร้อมกัน — ไลเซนส์ ขนาดของเช็กพอยต์ และโมเดลร่างกายมนุษย์ที่อยู่ภายใต้มัน

• พารามิเตอร์ — CARI4D เวอร์ชันวิจัย 194M เทียบกับ CARI4D CoCoNet MHR 231M

• จุดตรวจสอบ — step031397.pth (31,397 ขั้นตอนการฝึก) เทียบกับสตริงเวอร์ชัน 2026-08-25-09-35-57, ขั้นตอนที่ 200,000, สถานะ "การฝึกเสร็จสมบูรณ์"

• ริกตัวละคร — โพสและรูปร่างแบบ SMPL / SMPL-H เทียบกับพารามิเตอร์ Native Momentum Human Rig (MHR)

• ใบอนุญาต — NVIDIA License, “สำหรับการวิจัยและพัฒนาเท่านั้น” เทียบกับ NVIDIA Open Model Agreement, อนุญาตให้ใช้ในเชิงพาณิชย์

• การเข้าถึง — ดาวน์โหลดแบบเปิดเทียบกับแบบมีข้อจำกัด ต้องยอมรับเงื่อนไข

• เอาต์พุต — ท่าทาง SMPL รูปร่าง การเลื่อนตำแหน่ง การหมุนและการเลื่อนตำแหน่งของวัตถุ ที่อัปเดตแล้ว, การสัมผัสมือแบบไบนารี เทียบกับท่าทางวัตถุต่อเฟรมและค่าคงเหลือ MHR, บวกกับลอจิทการสัมผัสมือสองค่า

จำนวนสเต็ปคือบรรทัดที่ควรได้รับความสนใจ เช็กพอยต์งานวิจัยที่ถูกหยุดไว้ที่ประมาณ 31k สเต็ป และเช็กพอยต์โปรดักชันที่รันไปถึง 200,000 ไม่ใช่วัตถุเดียวกันที่มีเฮดเดอร์ใบอนุญาตต่างกันติดอยู่ NVIDIA ยังรายงานตัวเลข 231M ว่า "วัดจากสถานะโมเดลที่สเต็ป 84,000 โดยไม่รวมบัฟเฟอร์ที่ลงทะเบียน," ซึ่งบอกคุณว่าการ์ดกำลังอธิบายสายการฝึก มากกว่าที่จะเป็นอาร์ติแฟกต์ที่หยุดนิ่งเพียงชิ้นเดียว

การสลับ rig ของร่างกายก็สำคัญไม่แพ้กันสำหรับใครก็ตามที่สร้างระบบโดยอิงกับ CARI4D ไปแล้ว สายการวิจัยนี้ใช้ SMPL เป็นฐานตลอดทั้งสาย — พจน์การหาค่าเหมาะที่สุดในเปเปอร์ทำการรีเกรสท่าทาง (pose) รูปร่าง (shape) และการแปลตำแหน่ง (translation) ของ SMPL และโค้ดก็ต้องอาศัยไฟล์ pickle ของ SMPL-H รวมถึงแพตช์ VolumetricSMPL ส่วน MHR เป็นการกำหนดพารามิเตอร์ที่แตกต่างออกไป หากคุณเขียนโค้ดผสานรวมโดยอิงกับเทนเซอร์เอาต์พุตของเช็กพอยต์งานวิจัย รูปร่างเอาต์พุตของการ์ดเชิงพาณิชย์ก็ไม่ใช่แบบที่นำมาใช้แทนกันได้ทันที

รีลีสงานวิจัยที่สิ่งนี้สร้างขึ้นมามีอายุแปดเดือนแล้ว

ควรพูดให้ชัดเจนเกี่ยวกับไทม์ไลน์ เพราะคำว่า "โมเดลใหม่" จะผิดในที่นี้ และคำว่า "โมเดลเก่า" ก็จะผิดเช่นกัน

บทความ CARI4D — Category Agnostic 4D Reconstruction of Human-Object Interaction โดย Xianghui Xie, Bowen Wen, Yan Chang, Hesam Rabeti, Jiefeng Li, Ye Yuan, Gerard Pons-Moll และ Stan Birchfield — ถูกเผยแพร่บน arXiv เมื่อวันที่ 16 ธันวาคม 2025 ในรหัส 2512.11988 และได้รับการตอบรับให้ตีพิมพ์ที่ CVPR 2026 ต่อมา NVlabs ได้เปิดตัวโค้ดเมื่อวันที่ 28 กุมภาพันธ์ 2026 โค้ดสำหรับฝึกโมเดลและการประมวลผลล่วงหน้าของวิดีโอที่ผู้ใช้กำหนดเองตามมาเมื่อวันที่ 4 เมษายน เมื่อพิจารณาตามมาตรฐานปกติแล้ว สายงานวิจัยนี้ถือเป็นงานที่ลงตัวมานานแปดเดือนแล้ว และมีรายการ TODO ที่ทำเสร็จครบถ้วน

ดังนั้นการวางกรอบอย่างตรงไปตรงมาคืออย่างนี้: วิธีการเป็นข่าวเก่า และอาร์ติแฟกต์เชิงพาณิชย์มีอายุสามสัปดาห์ หากคุณค้นหา CARI4D ในเดือนมีนาคม และสรุปว่ามันเป็นเรื่องน่าพิศวงในงานวิจัยที่มีสัญญาอนุญาตแบบจำกัด ข้อสรุปนั้นถูกต้องในตอนนั้น และล้าสมัยในตอนนี้ นั่นคือเหตุผลทั้งหมดที่เรื่องนี้ควรอยู่ในสล็อตข่าว

โมเดลทำอะไรจริง ๆ และทำได้ดีแค่ไหน

CARI4D สร้างปฏิสัมพันธ์ระหว่างมนุษย์กับวัตถุขึ้นใหม่ใน 4D — สามมิติของอวกาศบวกกับเวลา — ในสเกลเมตริก จากวิดีโอ RGB แบบกล้องเดี่ยวเพียงตัวเดียว ข้อจำกัดสุดท้ายนั่นแหละคือส่วนที่น่าสนใจ การกู้คืนสเกลเมตริกของวัตถุที่คนกำลังถืออยู่ จากกล้องธรรมดาเพียงตัวเดียว โดยไม่มีเซ็นเซอร์วัดความลึกและไม่มีชุดกล้องหลายมุมมอง คือปัญหาที่บทความนี้สร้างขึ้นโดยมีมันเป็นแกนกลาง

ไปป์ไลน์นี้เป็นห่วงโซ่ของโมเดลพื้นฐาน แทนที่จะเป็นเครือข่ายแบบครบวงจรตั้งแต่ต้นจนจบ: UniDepth สำหรับความลึกแบบเมตริก, NLF และ GENMO สำหรับท่าทางมนุษย์, Hunyuan3D สำหรับเมชวัตถุจากภาพเดียว, FoundationPose สำหรับการติดตามวัตถุ, VolumetricSMPL สำหรับโมเดลร่างกายแบบ signed-distance CoCoNet — ส่วนที่ NVIDIA เปิดตัวจริง ๆ — อยู่ตรงกลางและทำการอนุมานการสัมผัส มันเรนเดอร์ค่าประมาณมนุษย์และวัตถุในปัจจุบันให้เป็น RGB, ความลึก และมาสก์ จากนั้นเปรียบเทียบภาพเรนเดอร์นั้นกับการสังเกตจริงโดยใช้ตัวเข้ารหัส RGB DINOv2 ViT-B/14 และตัวเข้ารหัส XYZ-and-mask หกช่องสัญญาณ ViT-S/14, รันบล็อกความสนใจเชิงพื้นที่-เวลา 2 บล็อก และทำการถดถอยการแก้ไขต่อเฟรมผ่าน MLP heads

ตัวเลขที่รายงาน จากบทความและสเปกของผู้ขายเอง: ข้อผิดพลาดในการสร้างใหม่ต่ำกว่างานก่อนหน้าถึง 38% บนชุดข้อมูล in-distribution และ 36% บนชุดข้อมูล unseen การทำ ablation ที่ทำให้สถาปัตยกรรมเข้าใจได้ชัดเจนขึ้นแสดงให้เห็นว่า Chamfer distance ของวัตถุอยู่ที่ 1,565.42 ซม. เมื่อใช้ NLF ดิบร่วมกับการติดตามด้วย FoundationPose, 16.85 ซม. หลังการ initialisation ด้วย CARI4D, และ 11.59 ถึง 11.57 ซม. เมื่อเปิดใช้ CoCoNet refinement และ full joint optimisation นี่เป็นตัวเลขจากผู้ขายที่มาจากบทความที่ผ่านการ peer-review — มีที่มาที่น่าเชื่อถือกว่าหน้าโฆษณา แต่ก็ยังไม่ใช่การทำซ้ำโดยอิสระ และยังไม่มีบุคคลที่สามรายใดเผยแพร่ผลลัพธ์ดังกล่าว

การ์ดเชิงพาณิชย์เพิ่มรายละเอียดที่บทความวิจัยให้ไม่ได้: โมเดลนี้ถูกฝึกบน FORM-HOI ซึ่งระบุว่าเป็นลำดับภายในจำนวน 2,126 ลำดับ และการ์ดระบุอย่างชัดเจนว่าไม่มีชุดข้อมูลทดสอบแยกต่างหาก — การประเมินเป็นชุดสาธิตเชิงคุณภาพ นอกจากนี้ยังระบุว่าคอร์ปัสฝึกอบรมภายใน "Daniel" ไม่ได้ถูกเผยแพร่ เมื่ออ่านรวมกัน นั่นคือผู้ขายกำลังบอกคุณว่าการแจกแจงการฝึกเป็นของพวกเขาเอง และหลักฐานการวางนัยทั่วไปนั้นบางกว่าที่ตาราง ablation ชี้ให้เห็น

สิ่งที่สัญญาอนุญาตให้จริง ๆ และสิ่งที่ไม่ได้ให้

ข้อตกลงโมเดลเปิดของ NVIDIA เป็นสัญญาอนุญาตเชิงพาณิชย์แบบเปิดกว้าง แต่ “อนุญาตให้ใช้เชิงพาณิชย์” ไม่ได้หมายความเหมือนกับ “ไม่มีข้อผูกมัด” การ์ดระบุว่าโมเดลนี้มีไว้สำหรับนักพัฒนาและนักวิจัยที่สร้างระบบวิชันเชิงพาณิชย์หรือไม่เชิงพาณิชย์สำหรับการประมาณท่าทางของมนุษย์-วัตถุแบบ 3D/4D การวิเคราะห์การเคลื่อนไหว การแสดงภาพ การจัดเตรียมข้อมูล และการรับรู้สำหรับวิทยาการหุ่นยนต์ และระบุชัดเจนว่าไม่รวมถึงการสั่งการอัตโนมัติโดยตรงหรือการตัดสินใจที่สำคัญต่อชีวิต

บันทึกเชิงปฏิบัติสองข้อสำหรับใครก็ตามที่กำลังประเมินสิ่งนี้ ข้อแรก รีโพซิทอรีถูกจำกัดการเข้าถึง: คุณต้องยอมรับเงื่อนไขและแบ่งปันข้อมูลติดต่อก่อนที่ไฟล์จะปรากฏ ดังนั้นการจัดซื้อและการตรวจสอบทางกฎหมายจึงเกิดขึ้นก่อนการดาวน์โหลด ไม่ใช่หลัง ข้อที่สอง โมเดลที่นำไปใช้งานไม่ได้อยู่ครบในตัวเอง CoCoNet มี 231M พารามิเตอร์ แต่มันไม่ได้ทำงานลำพัง — ไปป์ไลน์ที่กว้างกว่ายังคงดึงน้ำหนัก NLF torchscript, น้ำหนัก FoundationPose, แอสเซ็ต SMPL-H, `kid_template.npy` และยังต้องใช้ Hunyuan3D เพื่อสร้างเมชวัตถุตั้งแต่แรก สัญญาอนุญาตเชิงพาณิชย์ครอบคลุมส่วนที่ NVIDIA กำลังเปิดตัว แต่ไม่ครอบคลุม dependencies บุคคลที่สามรอบ ๆ และแต่ละอย่างมีข้อกำหนดของตัวเอง นั่นคือวิธีที่พบบ่อยที่สุดที่การเปิดตัวแบบนี้ทำให้ทีมกฎหมายประหลาดใจ

สิ่งนี้จะส่งผลอย่างไรกับผู้ที่สร้างด้วยโมเดล

เพื่อให้ชัดเจนเกี่ยวกับขอบเขต: CARI4D เป็นโมเดลสำหรับการสร้างใหม่ด้วยคอมพิวเตอร์วิทัศน์ ไม่ใช่โมเดลภาษา และ OrcaRouter ไม่ได้ให้บริการมัน ไม่มีสิ่งใดในบทความนี้ที่ควรตีความว่าเป็นอย่างอื่น — การโฮสต์ด้วยตนเองโดยใช้ PyTorch บน GPU ระดับ Ampere ซึ่งเป็นคอนฟิกูเรชันที่การ์ดระบุว่าได้รับการตรวจสอบความถูกต้องแล้วเท่านั้น จึงเป็นวิธีเดียวที่จะรันมันได้ในปัจจุบัน

เหตุผลที่เรื่องนี้ยังคุ้มค่าที่จะกล่าวถึงเป็นย่อหน้าหนึ่งตรงนี้ก็คือ การ์ดระบุว่า การจัดระเบียบข้อมูลเป็นวัตถุประสงค์การใช้งานหลัก และนั่นคือส่วนของไปป์ไลน์ 4D ที่โมเดลภาษาอยู่จริง ๆ การสร้างชุดข้อมูลปฏิสัมพันธ์ระหว่างมนุษย์กับวัตถุหมายถึงการเขียนคำบรรยายให้คลิป การติดป้ายเหตุการณ์การสัมผัส การเขียนพรอมป์สำหรับ QC และการกรองกรณีที่ล้มเหลว — งานที่ต้องผ่านโมเดลด้านภาพ-ภาษาและโมเดลภาษา และเป็นงานที่ขยายขนาดได้แย่หากแต่ละอย่างต้องมีสัญญาแยกและคีย์แยก การเราเตอร์โมเดลมากกว่า 200 ตัวไว้เบื้องหลัง API เดียวที่ OrcaRouter โดยส่งต่อราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0% และการสลับไปใช้ตัวสำรองอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง คือหน้าตาของชั้นนั้นเมื่อไม่ได้ทำขึ้นเองแบบเฉพาะเจาะจง การลดราคาของผู้ขายมาถึงปลายทางภายในวันเดียวกัน เพราะไม่มีส่วนบวกราคาที่ต้องคำนวณใหม่ นั่นเป็นงานที่ต่างจากสิ่งที่ CARI4D ทำ และเป็นงานที่ล้อมรอบมันอยู่

อะไรจะทำให้การอ่านนี้เปลี่ยนไป

สี่เรื่องด้วยกัน การประกาศจาก NVIDIA จะเปลี่ยนที่เก็บโค้ดที่เงียบเหงาให้กลายเป็นผลิตภัณฑ์ที่ได้รับการสนับสนุน และจะนำมาซึ่งเงื่อนไขด้านราคาและการสนับสนุนที่ขณะนี้ยังไม่มี การประเมินที่เผยแพร่บนชุดข้อมูลที่ NVIDIA ไม่ได้สร้างขึ้นจะช่วยไขคำถามเรื่องการวางนัยทั่วไปที่การ์ดยังเปิดค้างไว้ เอกสารที่อธิบายว่า MHR เปลี่ยนแปลงอะไรเมื่อเทียบกับ SMPL จะบอกผู้ผสานรวม CARI4D ที่มีอยู่ได้ว่าการย้ายระบบจริง ๆ แล้วมีค่าใช้จ่ายสูงเพียงใด — ตอนนี้การ์ดระบุชื่อริกโดยไม่อธิบายส่วนต่าง และข้อยุติเกี่ยวกับดีเพนเดนซีของบุคคลที่สามจะชี้ขาดว่า “commercially licensed” หมายถึงสิ่งที่ทีมจัดซื้อจะสันนิษฐานว่ามันหมายถึงหรือไม่

จนถึงตอนนั้น คำอธิบายที่ถูกต้องก็แคบและไม่หวือหวา และเป็นคำอธิบายที่หลักฐานสนับสนุน: สายผลิตภัณฑ์ CARI4D ของ NVIDIA มีเช็กพอยต์ที่ได้รับสัญญาอนุญาตเชิงพาณิชย์ ขนาดใหญ่กว่า และฝึกนานกว่า ให้ใช้งานได้ตั้งแต่ 30 สิงหาคม 2026 และผู้จำหน่ายไม่ได้เอ่ยถึงเรื่องนี้แม้แต่คำเดียว หากคุณต้องการปฏิสัมพันธ์ระหว่างมนุษย์กับวัตถุแบบ 4D ในระดับสเกลเมตริก และคุณเคยมองข้ามสิ่งนี้ว่าเป็นงานวิจัยเท่านั้น อุปสรรคที่คุณกำลังหาทางหลบเลี่ยงอยู่ก็หมดไปแล้ว