Runway presenta Solaris, un modelo de mundo que genera interfaces en tiempo real, fotograma a fotograma

Runway ha presentado Solaris, el primer modelo de una nueva familia de sistemas de IA que la compañía denomina "Interface World Models" (modelos de mundo para interfaces). La idea central es tan simple como radical: en lugar de que un sistema operativo o una aplicación muestren pantallas prediseñadas y fijas hasta la próxima actualización, Solaris genera la interfaz misma en tiempo real, fotograma a fotograma, respondiendo de forma continua a cada clic, arrastre o interacción del usuario. No hay una app o web ya construida esperando a ser usada: la interfaz se sintetiza sobre la marcha, como si fuera un vídeo interactivo que se genera mientras se interactúa con él.

El razonamiento de fondo que ofrece Runway es el siguiente: todo el software actual exige una "traducción" desde el diseño visual hacia una representación intermedia (típicamente código), antes de que ese diseño pueda hacer nada. Ese paso de conversión, según la compañía, es inevitablemente una compresión con pérdidas: cada comportamiento posible debe programarse de antemano, y el resultado es una interfaz congelada en el tiempo, incapaz de adaptarse a interacciones no previstas por sus desarrolladores. Además, el propio proceso de traducción sacrifica fidelidad visual, ya que un diseño reducido a código pierde parte de la riqueza del diseño original. Solaris, al generar directamente cada fotograma y cada respuesta a la interacción del usuario mediante un único modelo, elimina ese paso intermedio: no hay conversión, y por tanto, según Runway, no hay pérdida de información.

La compañía atribuye a Solaris tres capacidades nuevas. La primera es que es enteramente visual: la imagen es la propia aplicación, sin una capa de implementación oculta detrás de lo que ve el usuario. El ejemplo que pone Runway es el de un probador de ropa virtual en el que, a partir de una única imagen de referencia del usuario, este puede coger una prenda de un perchero y arrastrarla sobre sí mismo para probársela, de forma tan natural como en una tienda física. La segunda es que está "viva": al renderizarse de forma continua, la escena evoluciona constantemente en vez de esperar a la siguiente acción del usuario (los reflejos cambian con la luz, los objetos responden de forma natural al manipularlos), y basta con pedir en lenguaje natural cosas como "mueve la mesa para ver cómo queda" o "cambia el color del sofá". La tercera es que es "abierta": mientras que las interfaces tradicionales solo soportan las interacciones que sus desarrolladores anticiparon, Solaris puede sostener comportamientos muy distintos dentro de la misma escena, sin estar atada a flujos de trabajo predefinidos. Runway pone como ejemplos construir una ensalada arrastrando ingredientes a un bol, o generar una demostración interactiva de combustión en la que el usuario puede experimentar con distintos materiales y observar reacciones físicamente plausibles.

Según el artículo, este tipo de sistema no existía hasta ahora porque combina dos mundos que tradicionalmente han estado separados: los sistemas que "saben cosas" (buscadores, asistentes de IA) responden con contenido estático (texto, una imagen, quizá un vídeo incrustado), mientras que los sistemas que responden en tiempo real (JavaScript/CSS, motores de videojuegos y, más recientemente, los modelos de mundo interactivos) generan experiencias ricas pero no entienden nada sobre el producto, la tarea o la intención del usuario. Construir un "modelo de mundo para interfaces" exige resolver simultáneamente tres retos técnicos: velocidad (la interacción deja de sentirse fluida a partir de medio segundo de retraso, mientras que los modelos de difusión de vídeo tardan segundos o minutos por clip), coherencia (la interfaz debe mantenerse consistente —textos, disposición, identidad de los objetos— durante toda una sesión, no solo en un clip aislado, y los pequeños errores se acumulan cuanto más dura la generación), y coste (generar cada fotograma sigue siendo más caro que servir una página ya construida una sola vez, aunque Runway afirma que las mismas técnicas que hicieron el sistema funcionar en tiempo real también abarataron su coste en órdenes de magnitud respecto a un modelo de difusión de vídeo estándar).

En cuanto a la arquitectura, Solaris parte de Gen-4.5, el modelo de generación de vídeo de Runway, adaptado para entender interacción y responder en tiempo real, y continúa el camino abierto por GWM-1, su modelo general de mundo. El sistema trata la entrada del usuario (clics, arrastres) como una señal de condicionamiento para el siguiente fotograma, del mismo modo que trataría texto o imágenes, y como solo observa interacciones que ya han ocurrido (nunca futuras), aprende la relación causa-efecto entre acción visual y resultado sin que esos comportamientos tengan que programarse explícitamente. Para lograr velocidad de interacción, Runway describe un proceso en tres etapas: primero enseñaron al modelo a generar fotogramas de forma autorregresiva (cada uno depende solo de los anteriores); después destilaron el proceso de eliminación de ruido (denoising), que normalmente requiere decenas de pasos, en solo unos pocos; y finalmente entrenaron ese modelo rápido con sus propias salidas para que la calidad visual se mantenga estable en interacciones largas. Además, separan "razonamiento" de "renderizado": un modelo de lenguaje interpreta las peticiones del usuario, decide cuándo una interacción debe modificar la escena actual o transicionar a otra nueva, y genera los prompts que guían a Solaris en cada estado, mientras que el modelo de mundo se encarga de generar cómo se ve y se comporta ese estado en tiempo real. Runway también destaca lo que llama "redefinir el ratón": como las interacciones se describen en lenguaje natural en vez de programarse, cualquier objeto de la escena puede convertirse en una nueva herramienta (por ejemplo, hacer clic en un gato para que los siguientes clics apliquen su textura de pelaje a lo que se toque).

En la parte de evaluación, Runway presenta dos experimentos. El primero mide el "coste de la traducción": evaluaron a varios modelos multimodales de lenguaje de última generación (entre ellos, según el propio artículo, Claude Fable 5) en la tarea de reconstruir interfaces web a partir de una única captura de pantalla, sobre una colección de 30 interfaces de complejidad visual creciente, midiendo la fidelidad con similitud estructural (SSIM) y con características DINOv3 (para detectar si el contenido visual sobrevive aunque los elementos cambien de posición). El resultado, según Runway, es que todos los modelos pierden información al reconstruir, y esa pérdida crece con la complejidad visual, siendo mayor en imágenes naturales, que no pueden representarse con precisión mediante lenguaje. El segundo experimento compara directamente a Solaris con una interfaz codificada generada por un modelo de lenguaje de última generación (el artículo menciona Claude Opus 5) partiendo de la misma imagen inicial y las mismas peticiones de interacción. Runway realizó un estudio con 250 participantes sobre 30 ejemplos de interacción, recogiendo cerca de 7.500 juicios comparativos por pares, preguntando qué resultado seguía mejor la instrucción dada y cuál se comportaba de forma más natural dentro de la escena. Según los datos reportados, Solaris fue preferido en el 61% de las comparaciones frente al 24% de la versión codificada (13% consideradas equivalentes) en cuanto a seguir la instrucción, y en el 71% frente al 21% (6% equivalentes) en cuanto a comportamiento natural.

El propio artículo es transparente sobre las limitaciones actuales del sistema. El texto legible y estable sigue siendo uno de los problemas más difíciles de la generación de vídeo, pese a que las interfaces dependen de él más que casi cualquier otro elemento visual; Runway sugiere como posible solución un sistema híbrido en el que modelos de imagen generen las vistas con mucho texto durante pausas breves, mientras el vídeo se encarga de la interacción continua. También reconocen un problema de confianza: en experiencias instructivas o comerciales, una respuesta generada de forma convincente pero incorrecta es peor que no tener respuesta, por lo que el anclaje a imágenes de producto reales y material de referencia verificado es un foco de investigación activo. Mantener la coherencia visual y semántica en sesiones largas y abiertas sigue siendo un área de investigación en curso, y también queda pendiente garantizar que una interfaz generada funcione correctamente con el resto del stack de software, incluyendo tecnologías de accesibilidad como lectores de pantalla.

Más allá de la demostración técnica, Runway plantea una visión de futuro en la que el "app" como unidad de interacción podría dejar de tener sentido: si el sistema operativo puede generar la interfaz útil para cualquier tarea, deja de ser necesario clasificar el software en un catálogo fijo de aplicaciones independientes (una para compras, otra para noticias, otra para reservas de restaurantes), y lo que el usuario necesita simplemente aparecería, personalizado. En el terreno comercial, un escaparate dejaría de ser un diseño fijo idéntico para todos los visitantes, para convertirse en un entorno generado que conserva la identidad de marca mientras se adapta a cada persona; los tutoriales, por su parte, dejarían de repetir la misma secuencia para todo el mundo y en su lugar renderizarían el siguiente paso en el contexto propio de cada usuario, adaptándose a su progreso.

Solaris no está disponible de forma pública todavía: Runway indica que está trabajando con "socios clave" para su lanzamiento y ha habilitado un formulario de solicitud de acceso anticipado para empresas interesadas, sin ofrecer por ahora fecha de disponibilidad general ni detalles de precio.