Porque é que o GPT-6 Astra passou a perceber 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 vídeos espalharam-se rapidamente. Nuns, constrói de raiz no Blender uma casa totalmente mobilada e depois exporta-a para o Unreal Engine 5, onde é possível entrar, abrir portas, acender as luzes e pôr a máquina de café expresso a funcionar. Noutros, comanda braços robóticos e humanoides.

Como é que um modelo de linguagem passou, de repente, a lidar tão bem com o espaço? A OpenAI otimizou-o especificamente para isso? E o que significa este caminho para a geração 3D e para o «cérebro» dos robôs? Lemos o anúncio da OpenAI, o cartão de sistema e o blogue para programadores, as avaliações com robôs publicadas desde então e as análises de vários investigadores. Em resumo:

• Os ganhos são reais, mas desequilibrados: o 3D, a localização visual e as tarefas interativas deram um salto, enquanto a inteligência geral praticamente não se mexeu.
• Os resultados em robótica dependem muito da interface. O mesmo modelo, usado de outra forma, obtém pontuações muito diferentes.
• A capacidade vem muito provavelmente da prática em ambientes com avaliação automática, e não de uma arquitetura nova.
• Para a geração 3D e para o cérebro dos robôs, é de esperar uma nova divisão do trabalho, e não um modelo a substituir outro.

Os números oficiais: grandes ganhos, mal distribuídos

Face ao GPT-5.6 Sol, o seu antecessor direto, os números publicados 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 — modelação a partir de imagens.
• ScreenSpot-Pro (sem ferramentas): 76,9% → 92,7%. Tem de apontar um botão ou elemento exato numa captura de ecrã de alta resolução de um software profissional.
• Leitura de partituras: 0,19 → 0,84 nos quartetos de cordas do OpenScore, isto é, converter partituras impressas muito densas em dados musicais estruturados.
• ARC-AGI-3, um benchmark de puzzles interativos: 7,8% → 66% com o ambiente de avaliação padrão do benchmark, ou 99,9% com o da própria OpenAI.

Em contrapartida, o Artificial Analysis Intelligence Index, um índice independente, passou 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, investigador de Cornell e do Google DeepMind, chamou-lhe um «salto qualitativo» no raciocínio espacial.

O que fez realmente no Blender

O blogue para programadores da OpenAI descreve passo a passo um projeto completo. O pedido inicial era curto: projetar uma casa bonita, com mobiliário minimalista mas muito detalhado e um jardim agradável, e dar à cena um ar cinematográfico.

• O Astra escreveu código Python para o Blender (bpy) para construir a arquitetura, as carpintarias, o mobiliário, a vegetação, os materiais, as luzes e as câmaras.
• Renderizou pré-visualizações, procurou problemas e corrigiu o próprio código — plantas que se atravessavam umas às outras, um lava-loiça de aço cujas normais de superfície faziam a cuba parecer amolgada.
• Primeiro desenhou uma planta para aprovação e depois reconstruiu a casa como uma moradia térrea em U, com três quartos e um escritório.
• Exportou a cena para o Unreal Engine 5 como uma visita na primeira pessoa em que as portas, as gavetas, as luzes e uma máquina de café expresso funcionam.

O resultado não é uma imagem. É uma cena do Blender que se pode continuar a editar.

Os limites são igualmente claros:

• A geometria regular, de objetos fabricados, funciona bem: edifícios, mobiliário, peças CAD e modelos de superfícies rígidas, como uma nave espacial ou uma esfera de Dyson.
• As formas orgânicas, não. Se lhe pedirmos que modele uma pessoa ou uma vaca, escreve o investigador Wentao Zhu, o resultado é fraco.
• No próprio projeto da OpenAI, a floresta, os fetos e as rochas são recursos já existentes do Poly Haven. Um fluxo de trabalho comum na comunidade gera o modelo numa 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: o código é geometria comprimida. Um armário resume-se a algumas caixas, uma extrusão e uma matriz — meia dúzia de linhas. Um rosto, uma árvore ou um tecido a cair em pregas exigem muito mais. O Astra está a escrever programas, por isso o que cabe num programa curto resolve-o sozinho, e o que exige um programa longo deve entregá-lo a um gerador especializado. A mesma regra volta a aparecer nos robôs.

Robôs: bons resultados, mas atenção às condições

O RoboDojo é um benchmark de robótica com 42 tarefas simuladas e uma classificação de 40 políticas robóticas treinadas. Os autores de uma avaliação ligaram o Astra diretamente como política: sem ajuste fino, sem competências de preensão prontas, sem profundidade. Via as imagens de três câmaras a cores e o estado do robô e, a cada passo, indicava para onde o braço devia ir.

• O Astra obteve uma taxa média de sucesso de 22,48% e ficou em primeiro lugar. Na mesma configuração, o GPT-5.5 ficou-se pelos 0,88%.
• O perfil é desequilibrado. Lidera nas tarefas abertas (31% face a 2,1% do DM0.5) e na generalização (30,5% face a 11%), mas fica atrás na precisão (4% face a 16,8%), nas tarefas de horizonte longo e na memória.

Dito de forma simples: nas tarefas que pedem compreensão, ganha; nas que pedem mão firme, perde.

A lição mais importante é o quanto o resultado depende da interface:

1. Só imagens a cores, uma posição-alvo por passo (RoboDojo): 4% nas tarefas de precisão; dos 33 ensaios com robô real mantidos em torno de uma paragem de segurança, um único sucesso completo.
2. Três câmaras, até 20 chamadas ao modelo por tentativa (testes da Robocurve com braços reais): 19 de 20 blocos colocados numa tigela, mas só 2 de 20 peças de puzzle encaixadas na ranhura.
3. Uma câmara de profundidade e autorização para escrever o seu próprio código de geometria (o artigo Agent as Policy v1 · Tabela 1): 4 de 5 montagens de quatro pares, 5 de 5 viragens de dados 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, consoante a tarefa.
4. Chamar competências de robô já existentes ou um modelo VLA: as tarefas longas ficam feitas. Num relatório, um sistema híbrido em que o Astra revê e corrige as ações de um VLA teve sucesso em 48% das vezes, em tarefas em que o Astra sozinho chegava aos 26%.

São tarefas diferentes, que não podem ser comparadas diretamente, mas apontam no mesmo sentido. 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 controlo como do próprio modelo. Qualquer afirmação sobre quão bom é o Astra com o espaço precisa de vir acompanhada de «com que interface».

Três coisas a ter presentes quando estas demonstrações passarem pelo ecrã:

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 parte de um estado em que as peças já estão agarradas e pressupõe preensões ideais: mostra uma trajetória planeada, não um robô controlado em tempo real.
2. «25 vezes melhor do que o modelo antigo» compara o Astra com o GPT-5.5, não com o 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 demoraram 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 trata de pensar — para onde ir, o que apanhar, o que fazer primeiro — e até construiu o gémeo digital da cozinha. Andar, agarrar e manter o equilíbrio ficam a cargo de SLAM, estimação de profundidade, planeamento de movimento e controladores de baixo nível pré-treinados.

De onde vem esta capacidade

A OpenAI afirmou oficialmente duas coisas: que o Astra recebeu «treino direcionado para ambientes profissionais» e que, tal como os outros modelos de raciocínio da OpenAI, é treinado com aprendizagem por reforço. Não divulgou os dados de treino, nem se o Blender esteve envolvido, nem se houve dados de robôs. O que se segue é inferência a partir de indícios públicos.

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

• No trabalho, o Astra escreve código do Blender, renderiza, inspeciona e edita; num robô, olha, define um alvo, executa, verifica 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 mal, decidir o que mudar e repetir.»
• No treino, o mesmo ciclo é a origem provável. Segundo a imprensa, a OpenAI comprou dezenas de milhares de Mac mini e Mac Studio para treinar a utilização do computador: dar uma tarefa ao modelo, deixá-lo ler capturas de ecrã e enviar ações de rato e teclado para um Mac, e depois recompensar as execuções bem-sucedidas.

1. Aprendizagem por reforço em grande escala em ambientes com avaliação automática (probabilidade: média-alta). Os computadores, o código e o software 3D conseguem verificar resultados automaticamente, o que treina a capacidade geral de verificar, 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 capacidade de apontar aprendida na utilização do computador transfere-se para os robôs (média). O ScreenSpot-Pro subiu de 76,9% para 92,7%, pelo que o modelo ficou muito melhor a acertar num ponto exato de uma imagem. No HomeBody, o Astra apanha objetos indicando precisamente um ponto desses na imagem da câmara; a profundidade e a calibração convertem-no numa posição 3D.
3. O Blender e o CAD foram, eles próprios, ambientes de treino (média-baixa, não confirmado). O BenchCAD deu um salto, a OpenAI dá destaque às demonstrações 3D e Yoav Artzi suspeita de treino com grandes quantidades de dados 3D, como cenas do Blender. Nada de oficial o confirma.
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, afirmou 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.

A nossa leitura: a capacidade espacial muito provavelmente não veio de uma arquitetura espacial dedicada, mas sim de transformar tarefas espaciais em ambientes de prática com avaliação automática e de treinar o modelo nesses ambientes com aprendizagem por reforço de uso geral.

O que significa para a geração 3D

Há agora duas formas de fazer 3D:

• Um agente opera o motor. Tal como o Astra no Blender ou no CAD, entrega uma cena editável com materiais, luzes e articulações. É lento — de minutos a uma noite inteira —, mas estruturalmente rigoroso, editável e verificável.
• Um modelo gera o recurso. O TRELLIS, o Hunyuan3D, o Tripo, o Meshy e modelos semelhantes produzem uma malha em segundos ou minutos. São fortes em formas orgânicas e no detalhe, mas o resultado é difícil de editar, e a topologia, as UV e o rigging precisam muitas vezes de ser refeitos.

Prevemos que os dois se vão complementar à medida que o valor se desloca:

• Os agentes ficam com as etapas mais trabalhosas: disposição da cena, iluminação, câmara, revisões e controlo de qualidade.
• Os geradores tornam-se ferramentas de recursos para pessoas, animais e plantas, e têm de poder ser chamados por agentes, por exemplo como servidor MCP ou como API.
• Os serviços de «um prompt, um objeto» são os que estão sob mais pressão. Resultados prontos para produção (topologia limpa, UV, rigs) e prontos para simulação (articulações, massa, atrito) passam a ser o novo terreno de concorrência.

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

• No HomeBody, o Astra construiu num simulador um gémeo digital da cozinha a partir da geometria SLAM do próprio robô, das imagens das câmaras e dos dados das articulações, e depois usou-o para planear tarefas.
• A equipa de Wentao Zhu demonstrou a física inversa: apenas com 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.

Por outras palavras, a capacidade 3D conduz a um mundo de prática para robôs. O senão: a massa e o atrito não se conseguem ler só a partir de vídeo, pelo que, a certa altura, alguma coisa tem de empurrar um objeto real.

Os modelos de mundo nativos também não saíram da corrida. O Atlas, da World Labs, lançado a 1 de setembro, gera e reconstrói mundos 3D inteiros a partir de algumas fotografias, com um realismo e uma continuidade que um agente a operar um motor não consegue igualar. Muito provavelmente, os dois caminhos vão acabar por se chamar um ao outro.

O que significa para o cérebro dos robôs

Prevemos que o cérebro dos robôs se vai dividir em camadas, em vez de um único modelo fazer tudo:

• Os modelos gerais ficam com perceber a tarefa, planear os passos, escolher competências, diagnosticar falhas e adaptar-se a novos robôs — a «generalização semântica» de que os modelos VLA se orgulhavam. Nos eixos de tarefas abertas e de generalização do RoboDojo, o Astra já supera as políticas robóticas treinadas.
• Os modelos especializados mantêm o controlo de alta frequência, o contacto, a destreza e o equilíbrio de corpo inteiro.
• A mudança é que esses modelos especializados vão ser cada vez mais construídos pelo modelo geral. A equipa de Wentao Zhu pôs o Astra a montar uma simulação, a escrever a recompensa e a treinar uma política de aprendizagem por reforço; cerca de um dia e meio depois, entregou uma mão destra que roda uma caneta.

O ciclo de controlo rápido mantém-se à parte por causa de três limites rígidos:

• Latência: a Anthropic aponta para cerca de 83 Hz na locomoção em tempo real, enquanto a inferência do modelo corre a 0,2–0,4 Hz — cerca de duas ordens de grandeza de diferença.
• Custo: cerca de 1 a 27 dólares 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 salvaguardas próprias, que não dependam da nuvem.

O Gemini Robotics 2, do Google DeepMind, anunciado em julho, já tem esta forma: um modelo de raciocínio corporizado para o planeamento, um modelo de ação e um modelo mais pequeno que corre no próprio robô.

Isto prova que os modelos autorregressivos ganham?

Há quem leia o Astra como prova de que a geração autorregressiva (AR) — produzir um token atrás do outro, como fazem os modelos GPT — leva vantagem. Concordamos com metade:

• A verdadeira vantagem da AR é que a geração pode alternar com feedback externo: escrever algum código, corrê-lo, olhar para o resultado, continuar a escrever. Um modelo de difusão produz o resultado inteiro de uma só vez e tem dificuldade em incorporar feedback a meio.
• A AR também se adequa a estruturas discretas e de comprimento variável, como programas, grafos de cena e topologia de malhas, e reaproveita a infraestrutura de treino e de inferência construída para os LLM.
• Para sinais contínuos, como imagens, vídeo e ações motoras, a AR pura não tem vantagem. A área está a avançar para uma estrutura principal autorregressiva com uma cabeça de difusão ou de flow matching: o Atlas, da World Labs, o DreamZero, de investigadores da NVIDIA, e o π0.5 seguem esse caminho.
• O mais engenhoso no caminho do Astra é externalizar a camada contínua para renderizadores, núcleos CAD, motores de física e planeadores de movimento. Décadas de engenharia gráfica e robótica tornam-se o descodificador — exato, editável e sem necessidade de treino. O preço é que os motores definem o teto.

O que isto significa para quem trabalha com agentes

Desenvolvemos uma aplicação para computador em que os agentes fazem o trabalho, por isso a conclusão sobre a interface é a que mais nos interessa. O mesmo modelo teve pontuações muito diferentes consoante o que conseguia ver, as ferramentas que podia chamar e a possibilidade de verificar o seu próprio resultado. Grande parte da capacidade está nesse ciclo, não apenas nos pesos.

Esse ciclo é o que um espaço de trabalho para agentes tem de oferecer: ferramentas com que agir, ficheiros em que trabalhar e resultados que o agente pode verificar antes de os entregar. No Orkas, pode executar o GPT-6 Astra com a sua própria chave de API da OpenAI ou iniciando sessão com a sua conta do ChatGPT, ligar o Codex como agente externo ou usar os modelos geridos pelo Orkas. O Orkas também aceita servidores MCP personalizados, pelo que servidores da comunidade para programas de computador podem ser adicionados como conectores. Não testámos um servidor do Blender de ponta a ponta, por isso trate-o como uma via do tipo «faça você mesmo».

O que retiramos daqui

• O sentido de espaço do Astra é tomada de decisões dentro de um ciclo: olhar, escrever código ou definir um alvo, executar, verificar, corrigir.
• É forte em geometria regular, montagem de cenas e juízos que juntam significado e espaço, e fraco em formas orgânicas e contacto fino — por causa do que um programa curto consegue descrever.
• A capacidade vem muito provavelmente da aprendizagem por reforço em grande escala em ambientes com avaliação automática, e não de uma arquitetura nova. A receita de treino não foi divulgada.
• Na geração 3D, os agentes ficam com a direção e a montagem, enquanto os geradores se tornam ferramentas de recursos, e os gémeos digitais são a ponte para os robôs.
• No cérebro dos robôs, o modelo geral torna-se o capataz e a fábrica, enquanto o controlo rápido fica com modelos especializados que correm no dispositivo.

Sinais a acompanhar: se as empresas de geração 3D abrem interfaces para agentes; se surge um benchmark padrão de agentes no Blender; se as tarefas de precisão ultrapassam os 30% só com imagens a cores; e se algum modelo de fronteira chega a um controlo visual em malha fechada a 10 Hz.

Uma ressalva: a maioria das avaliações com robôs referidas usa amostras pequenas, de 5 a 20 ensaios por configuração, e a maioria não é feita às cegas. Encare estas conclusões como uma leitura provisória, não como um veredicto.

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

Se quiser experimentar o GPT-6 Astra ou outro modelo no Orkas, a secção modelos e fornecedores suportados da documentação lista o que já é possível ligar hoje.