Video Agent Models: por que essa é a próxima grande fronteira da IA

Ethan He não está falando de mais um modelo de vídeo melhorado. Ele está descrevendo uma mudança de paradigma: a substituição de modelos de geração de ponta a ponta por agentes orquestrados, sistemas que raciocinam em múltiplas etapas, chamam ferramentas especializadas (FFmpeg, Blender, APIs de edição) e refinam saídas iterativamente. Isso explica por que o Cosmos 3 da Nvidia, lançado no mesmo dia da entrevista, adota arquitetura Mixture-of-Transformers (MoT): um transformador autorregressivo para planejamento e previsão de sequências físicas, e outro de difusão para renderização. O 'agente' é a camada de raciocínio; o 'modelo de vídeo' é só um módulo executável sob demanda.

O dado crítico, pouco divulgado, é que a inteligência visual em vídeos vem majoritariamente de LLMs, não de dados de vídeo. Modelos de difusão são, nas palavras de He, 'um tanto burros': eles geram pixels, mas não entendem causalidade, continuidade temporal ou física. Por isso, o Grok Imagine evoluiu do Aurora (autorregressivo, 2024) para uma plataforma de agentes que encadeia storyboard, geração por cena, sincronização labial nativa (como no Seedance 2.0) e correção de inconsistências entre frames, tudo coordenado por um agente de linguagem com janela de contexto de até 1 milhão de tokens, como no Qwen 3.7 Plus.

A cobertura anterior do CEVIU tratava world models como conceito teórico ou arquitetura abstrata (taxonomia funcional, componentes renderizadores). Agora, com o Cosmos 3 e a fala de Ethan He, vemos a concretização: world models viraram infraestrutura operacional. Em 1º de junho de 2026, o Qwen 3.7 Plus já oferece essa camada de raciocínio físico acessível; em 2 de junho, a Nvidia entrega o primeiro foundation model aberto com MoT nativa; e em 4 de junho, o CEVIU publicou duas análises mostrando que a IA visual deixou de priorizar 'pixels finais' para focar em código editável e simulações fisicamente consistentes, exatamente o que os agentes de vídeo exigem para escalar.

Escalabilidade não é só sobre velocidade ou resolução. É sobre custo, controle e confiabilidade. Gerar 1 bilhão de vídeos por mês custa US$ 100 mil só em armazenamento, e US$ 230 mil por execução de egresso para treinamento. Agentes de vídeo reduzem esse custo ao evitar reprocessamento integral: ajustam apenas cenas problemáticas, mantêm referências persistentes de personagens e cenários, e usam simulações sintéticas do Cosmos 3 em vez de dados reais. Isso transforma IA de vídeo de um recurso de demonstração em infraestrutura produtiva, usada em testes de SAP, treinamento de robôs industriais e produção de conteúdo em larga escala com revisão humana mínima.