Induction Labs publicó un resultado de investigación que cuestiona una suposición de larga data en inteligencia artificial: que las máquinas deben entrenarse con ejemplos cuidadosamente etiquetados de cada acción que se espera que realicen. La compañía presentó Photon-1, el primer modelo de lo que denomina una nueva clase de arquitectura fundacional conocida como “modelos de imaginación”, diseñada para aprender a partir de video a escala de internet sin ver etiquetas de acción durante el preentrenamiento.

Photon-1 es un transformer sparse mixture-of-experts de 106 mil millones de parámetros, con 5 mil millones de parámetros activos. Fue entrenado con aproximadamente 575 millones de fotogramas de grabaciones de pantalla de computadora, lo que, según Induction Labs, equivale a 18 años de video muestreado a un fotograma por segundo. Los datos de entrenamiento se derivaron de un índice inicial de dos mil millones de videos disponibles públicamente, que se redujo a cerca de dos millones de grabaciones de pantalla y luego se depuró de fotogramas redundantes mediante un modelo interno de detección de fotogramas clave. El modelo fue preentrenado desde cero durante una época, lo que requirió aproximadamente 30,000 horas-GPU NVIDIA H200 y 4.4 × 10²² FLOPs.

La principal afirmación de Induction Labs es que Photon-1 supera a Gemini 3.1 Flash-Lite de Google en los benchmarks internos de la compañía para uso de computadoras, pese a haber sido entrenado con al menos 30 veces menos cómputo. La empresa también sostiene que servir Photon-1 cuesta alrededor de tres veces menos por millón de tokens, con un costo ponderado de inferencia de $0.11 por millón de tokens frente a $0.36 para Gemini. Esas cifras tienen limitaciones importantes: el benchmark es interno y no ha sido publicado, por lo que los resultados no son reproducibles de forma independiente, y la estimación de cómputo de Gemini es una proyección conservadora propia de Induction Labs, no datos verificados externamente.

La afirmación es relevante porque los agentes de uso de computadoras son una de las áreas en las que los sistemas de IA aún dependen en gran medida de demostraciones supervisadas, flujos de trabajo específicos para herramientas y evaluaciones específicas de cada entorno. Si los modelos pueden aprender dinámicas útiles de interfaces a partir de grabaciones de pantalla sin etiquetar, podría reducirse la cantidad de anotación humana necesaria para construir agentes capaces de realizar tareas, aunque los resultados reportados de Photon-1 todavía dependen de una etapa más pequeña de ajuste fino etiquetado y de aprendizaje por refuerzo posterior al preentrenamiento.

We’re introducing imagination models: a new foundation model architecture that unlocks learning from internet-scale video. Our first imagination model, Photon-1, learned to use a computer by watching 18 years of screen recording video without action labels. pic.twitter.com/DMhRqL28si — Induction Labs (@induction_labs) July 23, 2026

We’re introducing imagination models: a new foundation model architecture that unlocks learning from internet-scale video. Our first imagination model, Photon-1, learned to use a computer by watching 18 years of screen recording video without action labels. pic.twitter.com/DMhRqL28si

Cómo funcionan los modelos de imaginación

Photon-1 se diferencia de los enfoques convencionales no solo por su escala, sino también por su arquitectura. En lugar de predecir la siguiente palabra o generar píxeles sin procesar, los modelos de imaginación predicen de forma autorregresiva fotogramas futuros dentro de un espacio de representación aprendido, usando un objetivo de siguiente token latente. Cada fotograma de video se comprime en 960 tokens discretos mediante cuantización escalar finita y ocupa solo 2.2 kilobytes. Induction Labs afirma que esto es aproximadamente 100 veces más pequeño que las representaciones OCR y multimodales existentes, mientras conserva texto, diseño y cambios de estado.

Un codificador latente diferencial procesa los fotogramas en pares, codificando las diferencias entre estados consecutivos en lugar de representar cada fotograma solo como contenido visual absoluto. Esta compresión hace que sea computacionalmente viable predecir estados futuros de manera autorregresiva a escala. Durante el preentrenamiento, el modelo aprende lo que la compañía llama una “política implícita”: al pronosticar cómo se verá una pantalla a continuación, internaliza la estructura causal de las interfaces informáticas sin que se le indique qué clics del mouse o pulsaciones de teclado causaron las transiciones observadas.

Convertir ese conocimiento observacional en un agente funcional requirió una segunda etapa. Induction Labs ajustó finamente Photon-1 con menos de 35,000 trayectorias etiquetadas de uso de computadora para enseñar al modelo el formato correcto de las acciones. La compañía añadió tokens especiales que permiten a Photon-1 emitir comandos de teclado y mouse. En el momento de la inferencia, el sistema opera en dos pasos: primero imagina el siguiente estado que haría avanzar la tarea y luego genera la acción destinada a alcanzar ese estado.

Después, Induction Labs utilizó aprendizaje por refuerzo en línea, con ejecuciones en tiempo real en máquinas virtuales Linux en cinco entornos de escritorio. Los resultados se verificaron programáticamente y se usaron señales de recompensa para mejorar aún más el modelo. Ese esquema de evaluación mantiene el trabajo reportado centrado en entornos de software donde los estados y resultados pueden instrumentarse, en lugar de escenarios físicos abiertos donde la verificación y las restricciones de seguridad son más difíciles de automatizar.

La compañía también informa que las capacidades de Photon-1 se extienden más allá del dominio de grabaciones de pantalla que observó durante el preentrenamiento. Al ajustarse finamente con 20,000 partidas de damas de torneo, Photon-1 superó tanto a una línea base con codificador visual como a una línea base de modelo de lenguaje de tamaño similar en simulación del mundo y calidad de jugadas. En 10,000 partidas de billar generadas sintéticamente, logró un error absoluto medio de 0.47 en la predicción de posición de las bolas, frente a 1.15 para la línea base LLM y 1.44 para la línea base visual.

Según Induction Labs, el modelo también aprendió patrones de comportamiento humano a partir de sus datos de preentrenamiento. Aprendió a enviar prompts a un clon de ChatGPT dentro de una máquina virtual, evaluar sus respuestas y dirigir la conversación hasta completar una tarea, de forma similar a como las personas usan herramientas de IA en flujos de trabajo prácticos.

La frontera en expansión de los modelos del mundo

Photon-1 se presenta en un momento en que la industria de la IA se enfoca cada vez más en lo que los investigadores denominan ampliamente “modelos del mundo”. Estos sistemas están diseñados para construir representaciones internas de cómo evolucionan los entornos en respuesta a acciones, en lugar de solo predecir texto o producir clips de video aislados.

En 2026, el desarrollo en esta área se ha acelerado. En mayo, Google DeepMind lanzó Genie 3, un modelo del mundo interactivo en tiempo real que puede generar entornos 3D persistentes a 24 fotogramas por segundo a partir de texto o imágenes, usando física autoaprendida en lugar de reglas codificadas manualmente. La plataforma Cosmos de NVIDIA, que ofrece modelos fundacionales del mundo con pesos abiertos entrenados con 20 millones de horas de datos del mundo real, superó los dos millones de descargas y está siendo utilizada por empresas de robótica como 1X, Figure AI y Agility para generar datos sintéticos de entrenamiento.

World Labs, de Fei-Fei Li, lanzó Marble, un sistema comercial para crear mundos 3D editables a partir de texto, imágenes o video. AMI Labs, de Yann LeCun, supuestamente valuada en €3 mil millones antes de lanzar un producto, recaudó €500 millones para desarrollar arquitecturas de estilo JEPA que aprenden representaciones abstractas mediante predicción en espacio latente en lugar de píxeles.

Otros desarrollos incluyen Gen-4.5 de Runway, que la compañía describe explícitamente como un “modelo del mundo” con física realista, y DreamZero, un modelo de acción del mundo de 14 mil millones de parámetros que demostró una fuerte transferencia entre corporalidades, desde video humano hasta control robótico, usando solo información visual y sin etiquetas de acción.

En conjunto, estos esfuerzos apuntan a un cambio arquitectónico más amplio en la investigación de IA. Mientras que los grandes modelos de lenguaje se han vuelto eficaces en el reconocimiento de patrones en texto, la próxima generación de sistemas de IA apunta cada vez más a comprender causalidad, física y procedimientos mediante observación directa. El método de Induction Labs, que aprende de video sin etiquetar mediante predicción de estados, encaja en esa dirección y aborda a la vez un cuello de botella clave: la necesidad de que humanos conviertan observaciones en acciones etiquetadas antes del entrenamiento.

Las próximas pruebas para este enfoque serán la reproducibilidad externa, una cobertura más amplia de benchmarks y evidencia de que la misma receta de entrenamiento funciona en entornos menos controlados. Sigue sin resolverse si los modelos de imaginación pueden escalar más allá de las grabaciones de pantalla hacia trabajo físico, interacción social y dinámicas complejas del mundo real. Por ahora, Photon-1 se presenta como una prueba de concepto de que las máquinas pueden aprender a actuar, al menos en parte, observando.