Dream Labs Dream-1: o cérebro robótico de US$ 3 por hora, explicado

Resumo

O Dream-1 é um cérebro de robô que você aluga por hora. A Dream Labs o lançou em 19 de outubro de 2026 como uma API pública que controla robôs de dois braços com garras paralelas, incluindo robôs nos quais ele nunca foi treinado, por US$ 3 a hora (US$ 2 para a versão mais leve, Dream-1-flash). Você envia imagens da câmera, as posições dos braços e uma tarefa em inglês simples. Ele envia de volta os próximos 1,6 segundos de movimento.

Os números de destaque são reais, assim como as limitações. Em um benchmark independente da Robocurve, ele marcou 59 pontos contra 48 do Claude Opus 5.5 e do Gemini 4 Argon. Mas as tabelas da própria Dream Labs mostram uma taxa de sucesso total de tarefa de 40%, na melhor das hipóteses, em seu robô doméstico, e de apenas 6% no uso de ferramentas. Seu CEO o chama de "um beta de pesquisa". É um grande passo para entusiastas e pequenos fabricantes de robôs, mas ainda não é um trabalhador de armazém.

Se o seu trabalho é software, não braços mecânicos, a versão útil dessa ideia já existe. Um modelo de robô é infraestrutura; o eesel é o funcionário: colegas de equipe de IA prontos para trabalhar em seu helpdesk e em seu blog. Uma empresa de automação industrial utiliza um para criar um rascunho de resposta em cada ticket de suporte de engenharia antes mesmo de uma pessoa abri-lo.

O que é o Dream-1 da Dream Labs?

O Dream-1 é um modelo base de robô que a Dream Labs descreve como um "World Action Model". Em termos simples, ele aprendeu como as cenas mudam a partir de vídeos e, em seguida, conecta esse entendimento aos movimentos dos braços robóticos. O post de lançamento resume a proposta: dê a ele um novo robô de dois braços com garras paralelas, conecte-o à API e ele começará a realizar tarefas imediatamente, sem necessidade de ajuste fino ou demonstrações prévias daquele robô específico.

Eu construo agentes de IA para viver no eesel, então, quando leio posts de lançamento como este, venho com uma pergunta específica: o que o modelo realmente recebe e o que ele entrega de volta. A resposta do Dream-1 é incrivelmente concreta. A página inicial diz que você "envia imagens de câmera, o estado atual do robô e uma tarefa", e o Dream-1 "retorna as ações que seu robô precisa para executá-la". Isso segue o mesmo formato de uma chamada de ferramenta de um LLM, do tipo que os agentes de IA fazem o dia todo, exceto que a saída são ângulos de articulação em vez de texto.

O escopo atual é deliberadamente estreito. A Dream Labs afirma que o Dream-1 "é uma política de manipulação para robôs bimanuais com garras paralelas", o que significa dois braços, cada um com uma pinça simples de dois dedos. Robôs móveis e mãos destras estão listados como trabalhos futuros. Essa limitação é importante para tudo o que será discutido abaixo, pois a maioria dos resultados impressionantes ocorre dentro desse contexto específico.

O lançamento ocorreu em um mês bastante movimentado. Os cérebros robóticos são a nova fronteira da corrida de modelos deste ano, também com o S1 da Skild AI aprendendo tarefas a partir de um único vídeo e o Google impulsionando o Gemini 4 Argon para robótica. O que a Dream Labs adicionou foi a parte que a maioria desses lançamentos não tem: uma API pública com preço por hora.

Como um World Action Model funciona?

Um World Action Model prevê como serão os próximos quadros de vídeo e o que os braços devem fazer, em uma única etapa. A visão da Dream Labs é que "controlar um robô e imaginar o que esse robô fará são o mesmo problema". Cada robô se apresenta ao modelo da mesma forma: como pixels.

Aqui está o loop conforme detalhado na página de pesquisa:

1. Observar. Três câmeras alimentam o sistema: uma visão da cabeça e uma visão do pulso por braço. Adicione o estado do braço e o texto da tarefa.
2. Prever. O modelo gera conjuntamente "quadros imaginados" do futuro próximo e um bloco de ações para os braços.
3. Agir. O robô executa o bloco. Cada chamada de API cobre 1,6 segundos de movimento.
4. Corrigir. O quadro real da câmera substitui o imaginado, e o loop recomeça.

A parte inteligente está no formato da ação. O Dream-1 pode fornecer ângulos de articulação para robôs que conhece, mas também pode fornecer poses do efetuador final: onde cada garra deve estar e se deve estar aberta ou fechada. Qualquer robô bimanual de garra paralela compartilha essa linguagem, e seu próprio resolvedor de cinemática inversa (IK), a matemática que transforma "coloque a garra aqui" em ângulos de motor, faz a tradução. A Dream Labs admite abertamente que este também é um ponto fraco: o desempenho zero-shot "depende parcialmente do resolvedor de IK do seu robô".

A ideia não é nova para esta equipe. Os fundadores publicaram o DreamZero em fevereiro de 2026, o artigo que introduziu os World Action Models. O DreamZero executava um modelo de difusão de vídeo de 14 bilhões de parâmetros a 7Hz e se adaptava ao robô YAM com 30 minutos de dados. Esses são os números do DreamZero, não do Dream-1, e a Dream Labs não publicou o tamanho do Dream-1.

Quais robôs o Dream-1 pode controlar?

O Dream-1 foi treinado em apenas um robô, o I2RT YAM, e a Dream Labs testou até onde essa transferência alcança. A resposta: 27 robôs nunca vistos em simulação e 4 robôs reais nunca vistos, com pontuação relativa ao YAM em 100%.

Os resultados com robôs reais foram obtidos em versões anteriores do Dream-1 que nunca viram esses robôs, de acordo com o post de lançamento:

Na simulação, a variação é maior. O PiPER de dois braços manteve 91,2% da pontuação do YAM, enquanto o Bracket Bot caiu para 36,6%. No meio, encontram-se robôs de pesquisa familiares como o ALOHA (63,1%), o veterano PR2 (73,8%), um par de braços UR5e (69,8%) e o amigável SO-101 da Hugging Face (54,2%). Cada robô simulado passou por 300 execuções: 150 testando se seguia instruções e 150 em tarefas que não tinha visto.

Minha leitura é que, quanto mais um robô se afasta do formato do YAM, mais a pontuação cai. Isso não é uma crítica, é o esperado, e a Dream Labs publica tanto os resultados ruins quanto os bons. Um detalhe interessante de um pesquisador da Dream Labs, Jeremy Collins: o Dream-1 "nunca foi treinado em um único quadro de simulação", então mesmo os resultados em simuladores são uma forma de transferência real-para-sim.

Quão bom é o Dream-1, na verdade?

Melhor do que os modelos de IA de propósito geral no controle de robôs, mas ainda longe de ser confiável. Ambas as partes dessa afirmação vêm de números que a própria Dream Labs publicou, o que eu respeito.

Vamos começar pela parte boa. A Robocurve, uma corporação de benefício público que mede capacidades robóticas, avaliou o Dream-1 antes do lançamento em seu benchmark RoboDojo-RC Tier 1, com 120 tentativas reais por configuração.

O post de lançamento acrescenta que o Dream-1 custa 16 vezes menos por tentativa de tarefa do que o Gemini 4 Argon e funciona 1,7 vezes mais rápido que o GPT-6 Astra. Sua premissa é que os LLMs "se destacam no planejamento", mas os robôs "ainda exigem um Sistema 1 rápido e geral para agir". Essa abordagem é justa: um LLM de ponta pensando em cada movimento de pinça é lento e caro, o que pode ser visto na precificação do Gemini 4 Argon.

Agora, a parte honesta. Em seu próprio robô doméstico, a Dream Labs relata taxas de sucesso total por tipo de tarefa, e elas são bastante baixas.

Uma taxa de sucesso de 40% em "pegar e colocar" significa que o robô termina o trabalho em menos da metade das vezes na categoria mais fácil. As "pontuações de progresso" (crédito parcial) são mais altas, variando de 42% a 69%, sugerindo que o braço geralmente chega a algum lugar útil antes de falhar. A Dream Labs afirma claramente: "A robótica não será resolvida no primeiro dia".

A crítica mais contundente no Hacker News veio de um comentarista que olhou além das demonstrações:

"Se você observar o que eles realmente demonstram, a generalização da personificação zero-shot é limitada ao controle de garras de dois dedos em dois braços estacionários. As personificações são todas muito semelhantes e, quando são um pouco diferentes (mesmo apenas trocando dois dedos por cinco dedos), eles não conseguem mais fazer zero-shot."

modeless, Hacker News

Esse é um ponto válido e está de acordo com a declaração de escopo da própria Dream Labs. A questão é se "dois braços, dois dedos" é um nicho ou um mercado. A Dream Labs aposta que é um mercado: afirma que uma configuração de dois braços agora custa "apenas US$ 2 mil" e que o Microduck de US$ 399 da Hugging Face vendeu mais de 10.000 unidades em quatro dias.

Quanto custa o Dream-1?

O Dream-1 custa US$ 3 por hora de tempo de execução do robô, e o Dream-1-flash custa US$ 2 por hora. O post de lançamento da Dream Labs faz as contas: cada chamada retorna 1,6 segundos de ações, portanto, uma hora equivale a 2.250 chamadas, ou cerca de US$ 0,0013 por ação para o Dream-1 e US$ 0,0009 para o flash.

As linhas de turno e mensais são cálculos meus com base nas taxas horárias da Dream Labs. O preço do ajuste fino vem da plataforma de desenvolvedores, que afirma que uma tarefa custa US$ 200 "no momento da redação", leva cerca de 4 a 5,5 horas e fatura modelos ajustados na mesma taxa que o modelo básico. Outros detalhes de faturamento do mesmo console incluem:

• Créditos pré-pagos. Você recarrega entre US$ 5 e US$ 10.000, com um limite de gastos mensal opcional. Apenas solicitações bem-sucedidas são faturadas.
• Crédito gratuito. Adicionar um cartão desbloqueia crédito gratuito para testar o Dream-1; o valor não foi publicado.
• Sem reembolsos para créditos não utilizados, e a Dream Labs chama o serviço de uma "visualização de pesquisa beta experimental".

O que me agrada nessa precificação é que ela está na unidade em que um construtor de robôs pensa. Um preço por token, como você pagaria pelo GPT-6 Astra ou pelo Claude Opus 5.5, obriga você a adivinhar quantos tokens custa um movimento de garra. Uma taxa horária permite comparar com o custo por hora de uma pessoa fazendo a mesma tarefa, que é exatamente a comparação que a Dream Labs deseja: "você fica com tudo o que sobrar acima do custo horário".

Como você realmente usa o Dream-1?

Existem três caminhos, e apenas um deles exige um robô. A página inicial da Dream Labs lista a Dream API, o ajuste fino e um Robot Playground.

O playground é a maneira mais rápida de formar uma opinião. Você digita uma tarefa e um robô real no laboratório da Dream Labs em San Francisco, ou um simulado, faz uma tentativa. Os primeiros testadores no Hacker News obtiveram resultados mistos: um relatou que "colocar a coroa no copo" foi "parcialmente bem-sucedido", e outro descobriu que "jogar o bloco para fora da mesa" nem sequer rodou.

A API é um cliente Python. O post de lançamento mostra o formato: crie um DreamClient com sua chave, escolha o checkpoint dreamlabs/dream-1, envie uma observação e chame get_action() em um loop. Por trás disso, a documentação do console descreve quadros de câmera em base64 mais o estado do braço entrando, e 48 linhas de ações retornando por chamada. Um acompanhamento da equipe adiciona um minúsculo "Sistema 0", uma rede de 100 mil parâmetros que roda na CPU do robô para suavizar esses blocos, reduzindo o atraso para cerca de 75 ms.

O ajuste fino (fine-tuning) é para robôs que o zero-shot não cobre. Você faz o upload de demonstrações e a Dream Labs entrega um ID de modelo. Os exemplos são consideravelmente pequenos: 5 minutos de dados fizeram a diferença no Maker Arm e reBot, enquanto um robô Dexmate com mãos destras precisou de 77 minutos. Em 12 robôs parceiros, o ajuste fino aumentou a pontuação de seguimento de instruções em 10, com saltos grandes como o AI Worker indo de 44% para 84%. Dois pioraram: Bracket Bot (32% para 31%) e Unitree R1 (42% para 31%).

A Dream Labs também realizou um beta com 12 locais externos, incluindo Hugging Face em Paris, Scale AI em San Francisco e AgiBot em Xangai. Os vídeos de demonstração estão acelerados de 4x a 8x, o que é importante lembrar quando parecem tão fluidos.

Quem está por trás da Dream Labs?

A Dream Labs é uma pequena equipe em San Francisco com um forte histórico na NVIDIA. Seus quatro cofundadores, de acordo com o investidor Kindred Ventures, são:

A empresa saiu do sigilo com uma rodada semente de US$ 90 milhões no dia do lançamento, liderada pela B Capital com a Kindred Ventures, além de Wing VC, Unusual Ventures, SV Angel e o CTO da Hugging Face, Thomas Wolf, entre outros. A nota de investimento da Wing VC destaca a equipe se adaptando a novos robôs com "apenas cinco minutos" de dados. A página da equipe mostra cerca de uma dúzia de pessoas, com ex-funcionários da NVIDIA, Google DeepMind, Ai2, Toyota Research Institute, Stanford, Berkeley e Georgia Tech.

Há uma ironia interessante na tabela de benchmark: o GR00T N1.7, modelo da NVIDIA em que vários fundadores trabalharam, marcou 10. Trabalho diferente, no entanto. O GR00T possui pesos abertos que você mesmo executa; o Dream-1 é uma API hospedada.

Como o Dream-1 se compara a outros modelos de robôs?

A verdadeira diferença do Dream-1 não é a pontuação, mas o modelo de acesso. A maioria dos cérebros robóticos rivais são pesos abertos que você mesmo hospeda ou sistemas fechados que não podem ser comprados.

Um comentarista do Hacker News explicou bem a diferença de acesso, comparando-o com a oferta da Physical Intelligence:

"A API da Physical Intelligence requer ajuste fino para a tarefa/robô, enquanto o modelo Dream-1 oferece uma API que pode fazer zero-shot (com grandes limitações, é claro, mas ainda assim legal)."

GaggiX, Hacker News

Se você tem GPUs e engenheiros de robótica, modelos abertos como pi0 ou GR00T oferecem maior controle. Se você tem um kit de braço de US$ 2.000 e um fim de semana, o Dream-1 é o caminho mais curto entre "tirar da caixa" e "ele moveu uma banana", que é o público que a Dream Labs afirma desejar: "consumidores, entusiastas e pequenas equipes, não grandes empresas".

O que as pessoas estão dizendo sobre o Dream-1?

A reação se divide em uma linha previsível: construtores estão animados com a API, enquanto veteranos da automação não se deixaram impressionar pelas demonstrações. O próprio CEO Joel Jang definiu as expectativas no dia do lançamento:

"O Dream-1 ainda é um beta de pesquisa e cometerá erros."

Joel Jang, X

O ceticismo mais direto veio de alguém que afirmou ter trabalhado em automação de manufatura e armazéns:

"Tudo nesta página me parece ter sido otimizado para investidores, não para clientes. Por que eles citariam um brinquedo literal como um exemplo principal de trabalho de automação?"

Aurornis, Hacker News

E uma opinião mais comedida de um educador da OpenCV, que se aproxima da minha própria visão:

"Eu gostaria de saber onde essa transferência falha: espaços de trabalho desconhecidos, IK ruim e novos designs de garras. ... Demonstrações selecionadas e aceleradas não são um teste de confiabilidade. Eu ainda não executei o Dream-1 pessoalmente."

Satya Mallick, X

Minha visão é que a Dream Labs acertou nas partes menos glamourosas. Ela publicou suas taxas de falha e precificou o produto por hora, além de permitir que estranhos controlassem um robô real pela internet. A questão em aberto é a confiabilidade em tarefas longas, complexas e reais, e nada no lançamento responde a isso ainda. É melhor esperar por resultados independentes fora da família YAM antes de construir um produto sobre ele.

O que o Dream-1 significa se você não constrói robôs

A frase mais interessante em todo o lançamento veio de um pesquisador da Dream Labs: "Um modelo como o Dream-1 em breve será uma chamada de ferramenta para LLMs". Esse é Jeremy Collins no X, e isso descreve para onde a IA está indo em ambos os lados da tela. Um planejador inteligente decide o que fazer e um modelo rápido e especializado o executa.

O Dream-1 é a infraestrutura nesse cenário. A Dream Labs diz claramente: "Somos o cérebro, não o corpo". Alguém ainda tem que construir o corpo e conectá-lo, para depois direcioná-lo a um trabalho. Para o trabalho de software, esse "alguém" não precisa ser sua equipe de engenharia. O eesel é o funcionário em vez do motor: você contrata um colega pronto para o trabalho para uma função definida hoje, seja o colega de IA para helpdesk ou o escritor de blog de IA, e ele chega com as integrações e o contexto da empresa para essa função. Eu me aprofundo nessa divisão neste explicador de funcionário de IA.

Este também é o uso mais relevante para quem está construindo robôs. Empresas de hardware recebem perguntas de suporte técnico sobre fiação, configurações e ajustes. Uma empresa de automação industrial colocou sua biblioteca técnica atrás de um chat eesel, uma forma de busca em documentação de IA que responde apenas com base em seus documentos e cita a fonte. Em cada novo ticket de suporte, o colega eesel deixa um rascunho de resposta com um nível de confiança como uma nota interna, e um engenheiro edita e envia. O eesel nunca escreve para um cliente por conta própria nesse caso. O gerente de documentação deles disse que o eesel teve "uma prova de conceito construída usando nossos próprios materiais de produto" desde a primeira chamada.

O eesel AI custa US$ 0,40 por ticket ou sessão de chat, US$ 4,00 por postagem de blog, com um teste gratuito de US$ 50 (sem mínimos mensais ou taxas de plataforma).

E se você gosta da ideia de "chamada de ferramenta", o eesel já funciona dessa forma para software. O CLI do eesel permite que você execute o mesmo colega de equipe a partir de um terminal: verifique suas execuções recentes com eesel activity, aprove ou negue ações pendentes com eesel approvals, ou edite suas regras permanentes com eesel instructions. Cada comando gera um JSON, escreve o suporte com --dry-run, e agentes de codificação como o Claude Code podem controlá-lo diretamente, inclusive através do servidor MCP do eesel. É o mesmo padrão "planejador chama executor", mas sem os braços robóticos.

Robôs que limpam louças na primeira tentativa estão chegando, talvez antes do que o número de 40% sugere. Um colega de IA que limpa sua fila de suporte já está aqui, e meu resumo dos melhores colegas de IA mostra como as opções se comparam. Experimente o eesel gratuitamente e veja o que um colega de equipe faz com sua última semana de tickets.