Por que o GPT-6 Astra passou a entender o espaço e o que isso significa para o 3D e os robôs

No início de setembro, a OpenAI lançou o GPT-6 Astra, e dois tipos de vídeo viralizaram rapidamente. Em alguns, ele constrói do zero no Blender uma casa totalmente mobiliada e depois a exporta para o Unreal Engine 5, onde você pode entrar, abrir portas, acender as luzes e ligar a máquina de espresso. Em outros, ele comanda braços robóticos e humanoides.

Como é que um modelo de linguagem, de repente, ficou tão bom em lidar com o espaço? A OpenAI otimizou o modelo especificamente para isso? E o que esse caminho significa para a geração 3D e para o “cérebro” dos robôs? Lemos o anúncio da OpenAI, o cartão de sistema e o blog para desenvolvedores, as avaliações com robôs publicadas desde então e as análises de pesquisadores. Em resumo:

• Os ganhos são reais, mas desiguais: 3D, localização visual e tarefas interativas deram um salto, enquanto a inteligência geral quase não se mexeu.
• Os resultados em robótica dependem muito da interface. O mesmo modelo, usado de outro jeito, tem pontuações muito diferentes.
• A habilidade muito provavelmente vem da prática em ambientes com correção automática, e não de uma arquitetura nova.
• Para a geração 3D e para o cérebro dos robôs, espere uma nova divisão de trabalho, e não um modelo substituindo outro.

Os números oficiais: grandes ganhos, distribuídos de forma desigual

Em relação ao GPT-5.6 Sol, seu antecessor direto, os números divulgados pela OpenAI são estes:

• BenchCAD: 83,3% → 95,9%. O modelo vê renderizações de um objeto de vários ângulos e escreve código CAD que o reconstrói — modelagem a partir de imagens.
• ScreenSpot-Pro (sem ferramentas): 76,9% → 92,7%. Ele precisa apontar um botão ou elemento exato em uma captura de tela de alta resolução de um software profissional.
• Leitura de partituras: 0,19 → 0,84 nos quartetos de cordas do OpenScore, transformando partituras impressas densas em dados musicais estruturados.
• ARC-AGI-3, um benchmark de quebra-cabeças interativos: 7,8% → 66% com o ambiente de avaliação padrão do benchmark, ou 99,9% com o da própria OpenAI.

Já o Artificial Analysis Intelligence Index, um índice independente, foi de 60,9 para 61,2 — abaixo dos 65,7 do Claude Fable 5.1.

Ou seja, o Astra não ficou mais inteligente em tudo. Ficou muito melhor em tarefas que combinam olhar, agir e ajustar. Yoav Artzi, pesquisador de Cornell e do Google DeepMind, chamou isso de “mudança de patamar” no raciocínio espacial.

O que ele realmente fez no Blender

O blog para desenvolvedores da OpenAI detalha um projeto completo. O briefing inicial era curto: projetar uma casa bonita, com móveis minimalistas mas muito detalhados e um belo jardim, e deixar a cena com clima cinematográfico.

• O Astra escreveu Python para o Blender (bpy) para construir a arquitetura, a marcenaria, os móveis, o paisagismo, os materiais, as luzes e as câmeras.
• Renderizou prévias, procurou problemas e corrigiu o próprio código — plantas atravessando umas às outras, uma pia de aço cujas normais de superfície faziam a cuba parecer amassada.
• Primeiro desenhou uma planta baixa para aprovação e depois refez a casa como uma residência térrea em forma de U, com três quartos e um escritório.
• Exportou a cena para o Unreal Engine 5 como um tour em primeira pessoa em que portas, gavetas, luzes e uma máquina de espresso funcionam.

O resultado não é uma imagem. É uma cena do Blender que você pode continuar editando.

Os limites são igualmente claros:

• Geometria regular, de objetos fabricados, funciona bem: prédios, móveis, peças CAD e modelos hard surface, como uma nave espacial ou uma esfera de Dyson.
• Formas orgânicas, não. Peça para ele modelar uma pessoa ou uma vaca, escreve o pesquisador Wentao Zhu, e o resultado é ruim.
• No próprio projeto da OpenAI, a floresta, as samambaias e as rochas são assets prontos do Poly Haven. Um fluxo comum na comunidade gera o modelo em uma ferramenta 3D como o Tripo e depois entrega ao Astra os materiais, as shape keys das expressões faciais e o rigging.

Uma ideia explica o padrão: código é geometria comprimida. Um armário se resume a algumas caixas, uma extrusão e uma matriz — um punhado de linhas. Um rosto, uma árvore ou um tecido caindo em dobras exigem muito mais. O Astra está escrevendo programas, então o que cabe em um programa curto ele resolve sozinho, e o que exige um programa longo ele deveria passar para um gerador especializado. A mesma regra aparece de novo nos robôs.

Robôs: resultados fortes, mas leia as condições

O RoboDojo é um benchmark de robótica com 42 tarefas simuladas e um ranking de 40 políticas robóticas treinadas. Os autores de uma avaliação colocaram o Astra diretamente como a política: sem ajuste fino, sem habilidades de preensão prontas, sem profundidade. Ele via imagens coloridas de três câmeras e o estado do robô e, a cada passo, dizia para onde o braço deveria ir.

• O Astra teve uma taxa média de sucesso de 22,48% e ficou em primeiro lugar. Na mesma configuração, o GPT-5.5 conseguiu 0,88%.
• O perfil é desigual. Ele lidera em tarefas abertas (31% contra 2,1% do DM0.5) e em generalização (30,5% contra 11%), mas fica atrás em precisão (4% contra 16,8%), em tarefas de longo horizonte e em memória.

Resumindo: nas tarefas que exigem entendimento, ele ganha; nas que exigem mão firme, ele perde.

A lição maior é o quanto o resultado depende da interface:

1. Só imagens coloridas, uma posição-alvo por passo (RoboDojo): 4% em tarefas de precisão; dos 33 testes com robô real mantidos em torno de uma parada de segurança, um único sucesso completo.
2. Três câmeras, até 20 chamadas ao modelo por tentativa (testes da Robocurve com braços reais): 19 de 20 blocos colocados em uma tigela, mas só 2 de 20 peças de quebra-cabeça encaixadas no sulco.
3. Uma câmera de profundidade e permissão para escrever seu próprio código de geometria (o artigo Agent as Policy v1 · Tabela 1): 4 de 5 montagens de quatro pares, 5 de 5 viradas de dado e construções com blocos em 5/5, 5/5 e 4/5 — com duração média de cerca de 21–54 minutos nas tentativas bem-sucedidas, dependendo da tarefa.
4. Chamar habilidades de robô já existentes ou um modelo VLA: tarefas longas são concluídas. Em um relatório, um sistema híbrido em que o Astra revisa e corrige as ações de um VLA teve sucesso em 48% das vezes, em tarefas nas quais o Astra sozinho chegou a 26%.

São tarefas diferentes e não dá para compará-las diretamente, mas elas apontam na mesma direção. O estudo de robótica que a Anthropic publicou em julho chegou à mesma conclusão: a pontuação de um modelo em robótica depende tanto do corpo do robô e da interface de controle quanto do próprio modelo. Qualquer afirmação sobre o quanto o Astra é bom com espaço precisa vir acompanhada de “com qual interface”.

Três coisas para ter em mente quando essas demos passarem pela sua tela:

1. O vídeo viral de “desmontar as peças entrelaçadas e passar uma corda por três anéis” é uma reprodução cinemática em simulação. A página de métodos do autor diz que ele parte de um estado com as peças já agarradas e pressupõe preensões ideais: mostra uma trajetória planejada, não um robô controlado ao vivo.
2. “25 vezes melhor que o modelo antigo” compara o Astra com o GPT-5.5, não com seu antecessor direto, o GPT-5.6 Sol. Na comparação de montagem de dois pares (AGP v1 · Tabela 2), Sol e Claude Opus 5 também concluíram 5/5 tentativas; as tentativas bem-sucedidas do Astra levaram em média 9,2 minutos, contra 14,2 do Sol. Na comparação separada de pirâmides (AGP v1 · Apêndice C, Tabela 5), Astra concluiu 10/10 tentativas e Sol 7/10.
3. O robô de cozinha HomeBody, de Stanford: o Astra é quem pensa — para onde ir, o que pegar, o que fazer primeiro — e até construiu o gêmeo digital da cozinha. Andar, pegar objetos e manter o equilíbrio ficam por conta de SLAM, estimativa de profundidade, planejamento de movimento e controladores de baixo nível pré-treinados.

De onde vem essa capacidade

A OpenAI disse oficialmente duas coisas: o Astra recebeu “treinamento direcionado para ambientes profissionais” e, como os outros modelos de raciocínio da OpenAI, é treinado com aprendizado por reforço. A empresa não divulgou os dados de treinamento, nem se o Blender esteve envolvido, nem se houve dados de robôs. O que vem a seguir é inferência a partir de evidências públicas.

No centro há um ciclo: dar um passo, olhar o resultado, descobrir o que está errado, corrigir.

• No trabalho, o Astra escreve código do Blender, renderiza, inspeciona e edita; em um robô, ele olha, define um alvo, executa, checa e corrige. Nas palavras de Wentao Zhu: “O que o modelo faz é simples: escrever código (do Blender), renderizar, inspecionar a imagem, descobrir o que está errado, decidir o que mudar e repetir.”
• No treinamento, o mesmo ciclo é a origem provável. Segundo a imprensa, a OpenAI comprou dezenas de milhares de Mac minis e Mac Studios para treinar o uso do computador: dar uma tarefa ao modelo, deixar que ele leia capturas de tela e envie ações de mouse e teclado para um Mac, e então recompensar as execuções bem-sucedidas.

1. Aprendizado por reforço em larga escala em ambientes com correção automática (probabilidade: média-alta). Computadores, código e software 3D conseguem verificar resultados automaticamente, o que treina a habilidade geral de checar, encontrar o erro e corrigi-lo. O salto de 7,8% para 66% no ARC-AGI-3, que é interativo, é o mesmo sinal.
2. A habilidade de apontar aprendida no uso do computador se transfere para os robôs (média). O ScreenSpot-Pro subiu de 76,9% para 92,7%, então o modelo ficou muito melhor em acertar um ponto exato de uma imagem. No HomeBody, o Astra pega objetos indicando exatamente um ponto desses na imagem da câmera; a profundidade e a calibração o convertem em uma posição 3D.
3. O Blender e o CAD foram, eles próprios, ambientes de treinamento (média-baixa, não confirmado). O BenchCAD deu um salto, a OpenAI coloca as demos de 3D em primeiro plano e Yoav Artzi suspeita de treinamento com grandes quantidades de dados 3D, como cenas do Blender. Nada oficial confirma isso.
4. Uma nova arquitetura (baixa). Segundo a imprensa, o Astra usa profundidade recorrente em parte da rede, mas o cientista-chefe da OpenAI, Jakub Pachocki, disse que o grafo de computação dos modelos de fronteira atuais, incluindo o Astra, tem no máximo o dobro da profundidade do grafo do GPT-4.

Nossa leitura: a habilidade espacial muito provavelmente não veio de uma arquitetura espacial dedicada, e sim de transformar tarefas espaciais em ambientes de prática com correção automática e treinar o modelo nesses ambientes com aprendizado por reforço de uso geral.

O que isso significa para a geração 3D

Hoje existem duas formas de fazer 3D:

• Um agente opera o motor. Como o Astra no Blender ou no CAD, ele entrega uma cena editável com materiais, luzes e juntas. É lento — de minutos a uma noite inteira —, mas estruturalmente preciso, editável e verificável.
• Um modelo gera o asset. TRELLIS, Hunyuan3D, Tripo, Meshy e modelos semelhantes geram uma malha em segundos ou minutos. São fortes em formas orgânicas e detalhes, mas o resultado é difícil de editar, e topologia, UVs e rigging muitas vezes precisam ser refeitos.

Nossa expectativa é que os dois se complementem enquanto o valor muda de lugar:

• Os agentes assumem as etapas que mais exigem trabalho manual: layout, iluminação, câmera, revisões e controle de qualidade.
• Os geradores viram ferramentas de assets para pessoas, animais e plantas, e precisam poder ser chamados por agentes, por exemplo como um servidor MCP ou uma API.
• Os serviços de “um prompt, um objeto” são os que sofrem mais pressão. Saída pronta para produção (topologia limpa, UVs, rigs) e pronta para simulação (juntas, massa, atrito) passam a ser o novo campo de disputa.

A maior oportunidade nova não é um 3D mais bonito. É um mundo onde dá para praticar.

• No HomeBody, o Astra construiu em um simulador um gêmeo digital da cozinha a partir da geometria SLAM do próprio robô, das imagens das câmeras e dos dados das juntas, e depois planejou tarefas com ele.
• A equipe de Wentao Zhu demonstrou a física inversa: com apenas um vídeo e a força de tração, o modelo inferiu a massa, o atrito e o amortecimento de uma gaveta e reproduziu o movimento em simulação.

Em outras palavras, a habilidade em 3D leva a um mundo de prática para robôs. O problema: massa e atrito não podem ser lidos só a partir de vídeo, então em algum momento alguma coisa precisa empurrar um objeto real.

Os modelos de mundo nativos também não saíram da disputa. O Atlas, da World Labs, lançado em 1º de setembro, gera e reconstrói mundos 3D inteiros a partir de algumas fotos, com um realismo e uma continuidade que um agente operando um motor não consegue igualar. Os dois caminhos muito provavelmente vão acabar chamando um ao outro.

O que isso significa para o cérebro dos robôs

Nossa expectativa é que o cérebro dos robôs se divida em camadas, em vez de um único modelo fazer tudo:

• Os modelos gerais assumem entender a tarefa, planejar as etapas, escolher habilidades, diagnosticar falhas e se adaptar a novos robôs — a “generalização semântica” de que os modelos VLA costumavam se orgulhar. Nos eixos de tarefas abertas e de generalização do RoboDojo, o Astra já supera as políticas robóticas treinadas.
• Os modelos especializados mantêm o controle de alta frequência, o contato, a destreza e o equilíbrio do corpo inteiro.
• A mudança é que esses modelos especializados vão ser cada vez mais construídos pelo modelo geral. A equipe de Wentao Zhu fez o Astra montar uma simulação, escrever a recompensa e treinar uma política de aprendizado por reforço; cerca de um dia e meio depois, ele entregou uma mão destra que gira uma caneta.

A malha de controle rápida continua separada por causa de três limites rígidos:

• Latência: a Anthropic estima a locomoção em tempo real em cerca de 83 Hz, enquanto a inferência do modelo roda a 0,2–0,4 Hz — uma diferença de cerca de duas ordens de grandeza.
• Custo: cerca de US$ 1 a US$ 27 por tarefa nas avaliações acima, e um robô doméstico executa centenas de ações por dia.
• Segurança: no teste RoboHarm, da Robocurve, o Astra recusou 2 de 100 instruções perigosas. A segurança precisa de proteções próprias, que não dependam da nuvem.

O Gemini Robotics 2, do Google DeepMind, anunciado em julho, já tem esse formato: um modelo de raciocínio incorporado para o planejamento, um modelo de ação e um modelo menor que roda no próprio robô.

Isso prova que os modelos autorregressivos venceram?

Há quem veja no Astra a prova de que a geração autorregressiva (AR) — produzir um token depois do outro, como fazem os modelos GPT — leva vantagem. Concordamos com metade disso:

• A vantagem real da AR é que a geração pode se alternar com feedback externo: escrever um pouco de código, rodar, olhar o resultado, continuar escrevendo. Um modelo de difusão produz o resultado inteiro de uma vez e tem dificuldade em receber feedback no meio do caminho.
• A AR também combina com estruturas discretas e de tamanho variável, como programas, grafos de cena e topologia de malha, e reaproveita a infraestrutura de treinamento e inferência construída para LLMs.
• Para sinais contínuos, como imagens, vídeo e ações motoras, a AR pura não leva vantagem. A área está migrando para um backbone autorregressivo com uma cabeça de difusão ou de flow matching: o Atlas, da World Labs, o DreamZero, de pesquisadores da NVIDIA, e o π0.5 seguem esse caminho.
• A parte engenhosa da rota do Astra é terceirizar a camada contínua para renderizadores, núcleos de CAD, motores de física e planejadores de movimento. Décadas de engenharia de computação gráfica e robótica viram o decodificador — exato, editável e sem precisar de treinamento. O preço é que os motores definem o teto.

O que isso significa se você trabalha com agentes

Desenvolvemos um aplicativo para desktop em que agentes fazem o trabalho, então a descoberta sobre a interface é a que mais nos importa. O mesmo modelo teve pontuações muito diferentes dependendo do que conseguia ver, das ferramentas que podia chamar e de poder ou não verificar o próprio resultado. Boa parte da capacidade está nesse ciclo, não só nos pesos.

Esse ciclo é o que um espaço de trabalho para agentes precisa oferecer: ferramentas para agir, arquivos para trabalhar e resultados que o agente pode inspecionar antes de devolvê-los. No Orkas, você pode rodar o GPT-6 Astra com sua própria chave de API da OpenAI ou entrando com sua conta do ChatGPT, conectar o Codex como agente externo ou usar os modelos gerenciados pelo Orkas. O Orkas também aceita servidores MCP personalizados, então servidores da comunidade para ferramentas de desktop podem ser adicionados como conectores. Não testamos um servidor do Blender de ponta a ponta, então encare isso como um caminho do tipo “faça você mesmo”.

O que tiramos disso

• O senso de espaço do Astra é tomada de decisão dentro de um ciclo: olhar, escrever código ou definir um alvo, executar, verificar, corrigir.
• Ele é forte em geometria regular, montagem de cenas e julgamentos que misturam significado e espaço, e fraco em formas orgânicas e contato fino — por causa do que um programa curto consegue descrever.
• A habilidade muito provavelmente vem de aprendizado por reforço em larga escala em ambientes com correção automática, e não de uma arquitetura nova. A receita de treinamento não foi divulgada.
• Na geração 3D, os agentes assumem a direção e a montagem, enquanto os geradores viram ferramentas de assets, e os gêmeos digitais são a ponte para os robôs.
• No cérebro dos robôs, o modelo geral vira o capataz e a fábrica, enquanto o controle rápido fica com modelos especializados que rodam no dispositivo.

Sinais que vale acompanhar: se as empresas de geração 3D vão abrir interfaces para agentes; se vai surgir um benchmark padrão de agentes no Blender; se as tarefas de precisão vão passar de 30% só com imagens coloridas; e se algum modelo de fronteira vai chegar a controle visual em malha fechada a 10 Hz.

Uma ressalva: a maioria das avaliações com robôs citadas usa amostras pequenas, de 5 a 20 testes por configuração, e a maioria não foi feita às cegas. Trate estas conclusões como uma leitura provisória, não como um veredito.

Fontes: o anúncio do GPT-6 Astra e o cartão de sistema da OpenAI; a reportagem da Fortune sobre o lançamento; o texto de Wentao Zhu GPT-6 Astra: 3D, Embodied AI, and Beyond; e o ensaio sobre transformers em loop de Sebastian Raschka, que cita Pachocki. As demais fontes têm link no ponto em que são citadas.

Se você quiser testar o GPT-6 Astra ou outro modelo no Orkas, a seção modelos e provedores suportados da documentação lista o que já dá para conectar hoje.