O fim dos filtros de AR, o DLSS 5 e a IA no lugar errado

Eu gosto de inteligência artificial. Talvez seja justamente esse o motivo pelo qual algumas decisões recentes envolvendo IA me incomodem tanto.

Existe uma diferença enorme entre usar inteligência artificial para resolver um problema que antes parecia impossível e usar inteligência artificial para substituir uma tecnologia que já resolvia aquele problema de maneira rápida, barata e previsível.

E um dos melhores exemplos disso está escondido em algo aparentemente banal: os filtros do Instagram.

O dia em que o Instagram matou o próprio ecossistema de filtros

Em 14 de janeiro de 2025, a Meta encerrou o Meta Spark, sua plataforma de criação de efeitos de realidade aumentada para Instagram, Facebook e Messenger. Efeitos produzidos por terceiros deixaram de estar disponíveis. Os efeitos da própria Meta continuaram funcionando.¹

Não era uma ferramenta experimental usada por meia dúzia de pessoas. Em 2021, a própria Meta dizia que o Spark AR era a maior plataforma de realidade aumentada móvel do mundo, com mais de 600 mil criadores em 190 países e mais de 2 milhões de efeitos publicados.²

Eu era um desses criadores.

E existe uma característica desses filtros que é fácil esquecer agora: eles eram programas.

Não era simplesmente uma imagem colocada sobre o seu rosto. Um efeito podia detectar pontos da face, acompanhar movimentos, trabalhar com objetos 3D, executar lógica, usar shaders, segmentar pessoas e objetos, reagir a expressões e renderizar tudo isso continuamente.

Você apontava a câmera e o filtro estava lá. Mexia a cabeça, ele acompanhava. Começava a gravar, ele continuava funcionando. Terminava a gravação, pronto.

Não existia fila esperando uma IA reinterpretar aquela imagem em algum datacenter. Era computação gráfica acontecendo, em grande parte, no aparelho que já estava na sua mão.

E isso importava muito mais do que parecia

Para boa parte dos usuários, nada disso importava. E deveria ser assim mesmo. Ninguém abre um Story pensando “espero que o desenvolvedor tenha testado a segmentação em diferentes condições de iluminação”. O usuário espera que funcione.

Mas essas bobeiras invisíveis são parte do que separa uma tecnologia pronta de uma demonstração tecnológica. Quem criava filtros precisava pensar em rostos diferentes, tons de pele, iluminação, aparelhos, câmeras, enquadramentos e condições de uso. Tudo isso para que, no fim, a pessoa apertasse um botão e esquecesse que havia tecnologia ali atrás.

E havia outra característica decisiva: timing.

Filtros são profundamente ligados à cultura da internet. Uma piada hoje pode não ter graça amanhã. Um meme desta semana pode estar morto na próxima.

Eu vivi isso. No dia em que viralizou o vídeo de um caminhoneiro dirigindo por quilômetros com um manifestante agarrado à frente do caminhão, fiz um filtro sobre o meme. Poucas horas depois ele começou a circular. Em cerca de uma semana tinha acumulado milhões de impressões.

Não era o filtro tecnologicamente mais avançado do planeta. Ele simplesmente existiu na hora certa.

E esse detalhe importa muito, porque o verdadeiro poder de uma plataforma como o Spark não estava só na tecnologia. Estava em transformar centenas de milhares de pessoas em pequenos laboratórios culturais independentes.

A Meta não precisava prever qual seria o próximo meme. 600 mil criadores estavam tentando descobrir isso ao mesmo tempo.

Então chegou a IA

Em julho de 2026, a Meta apresentou mais de 30 novos efeitos para Instagram Stories alimentados pelo Muse Image, o primeiro modelo de geração de imagens do Meta Superintelligence Labs. Os efeitos permitem transformar fotografias com IA e criar transformações personalizadas por prompt.³

Segundo a própria Meta, o modelo interpreta elementos como iluminação, composição e sujeito da fotografia para realizar as transformações. Isso é tecnologicamente impressionante, e algumas dessas coisas seriam muito difíceis de reproduzir com um pipeline convencional de realidade aumentada.

Esse ponto precisa ficar claro: IA generativa permite fazer coisas que os filtros antigos simplesmente não conseguiam.

O problema começa quando tratamos essa tecnologia como sucessora natural dos filtros tradicionais. Porque ela não é. São ferramentas diferentes. E em várias situações estamos usando uma tecnologia muito mais complexa para resolver pior um problema que já estava resolvido.

Um filtro precisava de milissegundos. Agora podemos esperar minutos.

Existe uma nostalgia tecnológica acontecendo agora. Vinil voltou. Polaroid voltou. Câmera digital compacta dos anos 2000 voltou. Filtro que imita câmera descartável está em todo lugar. Eu adoro isso.

Mas existe diferença entre aceitar deliberadamente as limitações de uma tecnologia antiga por estética e introduzir limitações novas em uma tecnologia moderna sem necessidade.

Esperar alguns minutos para um efeito terminar de processar uma fotografia é tolerável quando o resultado é extraordinário. Esperar esse tempo para obter algo que um filtro tradicional fazia instantaneamente é difícil de justificar.

Especialmente em vídeo. Um filtro tradicional acompanha seu rosto enquanto você grava, reage à sua expressão, muda quando você abre a boca, coloca objetos no espaço, responde continuamente à câmera.

Um gerador de imagens precisa resolver um problema muito mais difícil: ele precisa gerar pixels novos. E gerar pixels novos continuamente, mantendo identidade, geometria, iluminação e consistência temporal por dezenas de quadros por segundo, é muito mais difícil do que renderizar um efeito sobre uma estrutura conhecida.

E é aqui que entramos numa discussão aparentemente completamente diferente. Videogames.

O estranho paralelo com o DLSS 5

Em 2026, a NVIDIA apresentou o DLSS 5 e sua nova abordagem de 3D-Guided Neural Rendering.

A ideia é fascinante. Em vez de usar IA só para reconstruir resolução ou gerar quadros intermediários, a rede neural passa a participar da própria aparência final da cena. Em NBA 2K27, primeiro jogo a receber a tecnologia oficialmente, o sistema pode melhorar pele, pelos faciais, iluminação e materiais.⁴

Mas existe um detalhe importantíssimo. A IA não está olhando para uma captura de tela e tentando adivinhar tudo sozinha. Ela está integrada a uma engine 3D, e o pipeline pode fornecer informação estruturada sobre a cena para orientar o modelo. Daí o nome que a própria NVIDIA usa.

A inteligência artificial recebe uma quantidade enorme de contexto vindo de um mundo que já existe matematicamente. Existe geometria, existe câmera, existem superfícies, existem materiais, existem informações auxiliares produzidas pelo renderer.

É praticamente o cenário ideal para uma IA trabalhar. E mesmo assim não é fácil.

Nem com tudo entregue de mãos beijadas o problema desaparece

O DLSS 5 gerou bastante discussão justamente porque a rede neural passa a reinterpretar características visuais que antes eram resultado quase direto do pipeline gráfico criado pelos desenvolvedores. E os resultados variam.

A implementação oficial de NBA 2K27 mostra que o Neural Rendering produz resultados impressionantes quando bem integrado. Mas existe um preço computacional considerável. Testes independentes recentes encontraram penalidades que chegam à faixa de 50% a 60% no framerate quando o Neural Rendering roda em uma única GPU, dependendo do cenário e da configuração.⁵

A própria 2K reconhece que o Neural Rendering pode causar quedas de desempenho e orienta jogadores a desligá-lo caso isso prejudique a experiência.⁶

E isso torna a tecnologia muito mais interessante para esta discussão, porque não estamos falando de IA ruim contra gráficos tradicionais bons. Estamos observando o preço de adicionar inferência a um sistema que antes era predominantemente determinístico.

O desenvolvedor controlava o pixel. Agora ele negocia com o modelo.

Num pipeline tradicional, um artista cria um personagem. Existe uma textura, um material, geometria, iluminação, uma câmera. Mesmo quando algum asset foi produzido com IA, depois que ele entra no pipeline convencional vira um recurso previsível: dá para abrir a textura, modificar o material, mover a luz, alterar o modelo.

A relação é bastante direta:

Neural rendering introduz uma etapa nova:

Isso não significa que o desenvolvedor perdeu o controle. Muito pelo contrário: integração, treinamento, parâmetros e informação fornecida pela engine oferecem bastante controle sobre o resultado.

Mas existe agora uma etapa probabilística no pipeline. Uma etapa que interpreta. E isso muda filosoficamente a relação entre artista e imagem.

Agora tire a engine 3D da equação

É aqui que o paralelo com filtros fica realmente interessante. No DLSS 5 temos uma IA trabalhando dentro de um ambiente extraordinariamente estruturado. Agora imagine retirar tudo isso e colocar a IA diante de uma fotografia.

Uma imagem 2D contém muita informação, e preciso corrigir um argumento comum: não é correto dizer que uma fotografia não contém informação sobre iluminação ou profundidade. Ela contém pistas dessas coisas. Sombras, perspectiva, oclusão, escala relativa, textura e foco permitem que modelos modernos façam estimativas surpreendentemente boas sobre a estrutura de uma cena.

Mas existe uma diferença fundamental entre inferir e saber.

Uma fotografia não entrega a geometria real do seu rosto. Não fornece a profundidade absoluta de cada objeto. Não mostra o que está escondido atrás da sua cabeça. Não contém a normal real de cada superfície. Não informa as propriedades físicas de cada material.

A IA precisa estimar essas coisas quando elas são necessárias para determinada transformação. E cada estimativa abre espaço para erro.

Por isso uma IA generativa consegue transformações que seriam absurdamente difíceis para um filtro tradicional, mas também pode modificar um rosto que não deveria modificar, inventar um objeto, alterar uma mão, confundir cabelo com fundo, mudar uma estampa, criar detalhes inexistentes ou simplesmente interpretar a cena de um jeito completamente diferente do que você esperava.

Para algumas aplicações isso é fantástico. Para outras, estamos usando inferência para resolver um problema que antes resolvíamos com geometria.

E existe ainda a questão do custo

Mas existe uma diferença arquitetural que dá para discutir.

Um filtro tradicional executava grande parte da computação no próprio aparelho do usuário. A Meta distribuía o efeito e o seu smartphone fazia o trabalho. Já modelos generativos suficientemente grandes costumam depender de infraestrutura bem mais pesada para inferência. A própria Meta descreve o Muse Image como um modelo de geração de imagens do seu Superintelligence Labs, integrado ao Meta AI.⁷

São dois paradigmas diferentes, e a diferença não está no número de etapas. Está em onde a conta é feita.

Num caso você aproveita bilhões de pequenos computadores que já estão na mão dos usuários. No outro existe inferência adicional associada à geração. Talvez, economicamente, ainda faça sentido para a Meta. Não sabemos. Mas do ponto de vista computacional é uma troca bastante curiosa.

E a história fica ainda mais estranha

Pouco antes do encerramento definitivo do Spark aconteceu algo que não recebeu grande divulgação: a Meta começou a adquirir alguns filtros de criadores.

Criadores foram procurados sobre a transferência de determinados efeitos para a própria Meta, o que permitiu que alguns continuassem existindo depois do fim da plataforma. Existem relatos públicos de criadores sobre esse processo, embora a Meta não tenha divulgado os detalhes comerciais.

E aqui entra uma informação de bastidor do ecossistema: houve ofertas que chegaram a cerca de US$ 3.000 por filtro.

Mas o comportamento em si produz uma ironia maravilhosa. A empresa encerrou a plataforma que permitia a qualquer pessoa criar o próximo filtro viral e selecionou alguns filtros que já haviam provado serem populares para preservar.

Em outras palavras: a Meta preservou alguns frutos e derrubou a árvore que os produzia.

Enquanto isso, o Snapchat fez praticamente o contrário

A Snap não decidiu que inteligência artificial e realidade aumentada precisavam competir. Colocou as duas juntas.

O Lens Studio continua permitindo que artistas e desenvolvedores criem experiências tradicionais de AR, e ao mesmo tempo a plataforma passou a incorporar ferramentas e experiências baseadas em IA.⁸ Hoje a Snap afirma que mais de 350 milhões de pessoas usam Lenses diariamente, e que mais de 400 mil criadores já produziram mais de 4 milhões de Lenses.⁹

A página oficial do Lens Studio apresenta explicitamente, entre as possibilidades da plataforma, jogos interativos, experiências com Bitmoji, AI-powered Lenses e templates de vídeo.

A diferença filosófica é enorme. A Snap não perguntou “AR ou IA?”. Ela respondeu “AR e IA.”

O TikTok também não abandonou seus criadores de efeitos

O TikTok seguiu lógica semelhante com o Effect House. Quando a plataforma ainda estava em beta, pouco mais de 450 criadores de efeitos já haviam produzido experiências usadas na criação de mais de 1,5 bilhão de vídeos, acumulando mais de 600 bilhões de visualizações.¹⁰

Leia esses números de novo. 450 criadores. 1,5 bilhão de vídeos. 600 bilhões de visualizações.

Isso demonstra uma característica importantíssima de ferramentas de criação: um número relativamente pequeno de pessoas consegue criar infraestrutura cultural para bilhões de interações.

O filtro não é apenas conteúdo. Ele é uma ferramenta para outras pessoas criarem conteúdo. Essa distinção é gigantesca.

E existe uma diferença ainda mais brutal: eles pagam os criadores

Talvez esse detalhe diga mais sobre a diferença de estratégia entre as três empresas do que qualquer estatística de uso.

Snapchat e TikTok têm programas para remunerar criadores de efeitos. Não estamos falando de marca contratando desenvolvedor por fora. As próprias plataformas criaram sistemas para transformar efeito popular em possível fonte de receita para quem o desenvolve.

plataforma	programa	o que já foi divulgado
Snap	Lens Creator Rewards9	até US$ 7.200 em um mês para uma Lens entre as de melhor desempenho, no lançamento em 202311
TikTok	Effect Creator Rewards	até US$ 14 mil por um único efeito e US$ 50 mil em pagamentos num único mês, em março de 202412
Meta	nenhum equivalente aberto	ofertas de cerca de US$ 3 mil por filtro selecionado, antes de desligar a plataforma (relato de comunidade)

No Lens Creator Rewards da Snap, o programa de Top Performer Payouts torna uma Lens elegível ao atingir 15 mil usuários qualificados publicando com ela nos primeiros 90 dias. Existe também o Lens+, em que criadores aprovados recebem pagamentos ligados ao engajamento de assinantes com suas Lenses exclusivas.^{13 14}

Os valores do TikTok não são típicos: são máximos divulgados pela própria plataforma, e os pagamentos dependem de critérios de elegibilidade e desempenho. Mas o que importa não é imaginar que qualquer pessoa publicará um filtro amanhã e receberá US$ 14 mil. É a existência do incentivo.

Snap e TikTok chegaram a uma conclusão simples: se um criador desenvolve uma ferramenta que faz milhões de usuários produzirem conteúdo para a sua rede social, talvez esse criador tenha algum valor econômico para a plataforma.

Parece óbvio quando escrito assim. Um efeito viral não gera apenas uma visualização, gera milhares ou milhões de novos vídeos. Cada pessoa que usa o efeito cria outro conteúdo, esse conteúdo gera visualizações, algumas dessas visualizações fazem outras pessoas descobrirem o efeito, e o ciclo continua. É uma pequena máquina de geração de conteúdo construída por alguém que nem trabalha para aquela empresa.

O TikTok reconhece isso explicitamente ao remunerar efeitos de acordo com o número de vídeos públicos qualificados que eles ajudam a gerar.¹⁵

E então temos a Meta. A empresa que chegou a ter mais de 600 mil criadores e 2 milhões de efeitos publicados na sua plataforma de AR encerrou a ferramenta.²

Ao contrário de Snap e TikTok, não existe hoje um programa equivalente de monetização para uma comunidade aberta de criadores de filtros do Instagram, até porque a infraestrutura que permitia publicar novos efeitos foi encerrada. A Meta tem vários programas de monetização para criadores de conteúdo, em Reels, vídeos e fotos, então seria incorreto dizer que “a Meta não paga criadores”.¹⁶ A diferença é mais específica: ela deixou de ter o criador independente de efeitos como participante daquele ecossistema.

De um lado, Snap e TikTok dizem “crie algo que nossos usuários amem e existe a possibilidade de pagarmos você pelo desempenho”. Do outro, a Meta essencialmente disse “estamos fechando a ferramenta; alguns dos filtros que já provaram seu valor, nós compramos”.

Snap e TikTok estão tentando descobrir como fazer seus criadores produzirem o próximo filtro viral. A Meta parece ter perguntado quais dos filtros virais existentes valia a pena salvar antes de desligar tudo.

São perguntas completamente diferentes. E produzem ecossistemas completamente diferentes.

E aqui chegamos ao maior problema: feeling

Existe algo que benchmark, paper e apresentação corporativa dificilmente conseguem medir. Feeling.

Filtros não viralizam necessariamente porque são tecnologicamente impressionantes. Viralizam porque encontram uma cultura no momento certo. Uma piada, uma música, um acontecimento, uma pessoa, um comportamento, um jogo, um meme completamente idiota que apareceu ontem e desaparecerá amanhã.

Alguém cria uma brincadeira numa terça à tarde. Na quarta, milhares de pessoas estão usando. Na quinta, milhões viram. Na segunda seguinte ninguém mais lembra. É assim que a internet funciona.

E um ecossistema aberto de criação é absurdamente eficiente nisso. A empresa não precisa saber o que será engraçado amanhã. Ela precisa entregar as ferramentas. Os usuários descobrem por ela.

Enquanto isso, filtros generativos às vezes viralizam porque erram

Existe uma ironia maravilhosa na geração por IA. Algumas das coisas mais engraçadas produzidas por esses sistemas não viralizam porque a inteligência artificial acertou. Viralizam porque ela errou espetacularmente.

Um rosto deformado. Uma pessoa aparecendo onde não deveria. Uma mão impossível. Um objeto absurdo. Uma interpretação inesperada da fotografia.

E isso também pode ser entretenimento. Não existe nada errado nisso. Na verdade, parte da graça da IA generativa está justamente nessa imprevisibilidade.

Mas isso revela uma diferença fundamental entre as duas tecnologias. Num filtro tradicional, o erro geralmente é um bug. Num sistema generativo, o erro às vezes é o conteúdo. É uma mudança bastante profunda de paradigma.

E é aqui que minha crítica à IA termina sendo uma defesa da IA

Talvez pareça estranho escrever tudo isso sendo alguém que defende e usa inteligência artificial constantemente. Para mim acontece o contrário.

Ser entusiasmado com IA não significa acreditar que ela deva substituir tudo. Compreender uma tecnologia significa também compreender onde ela não deveria ser usada.

Modelos generativos são provavelmente uma das ferramentas computacionais mais importantes das últimas décadas. Resolvem classes inteiras de problemas que seriam extremamente difíceis ou economicamente inviáveis com software convencional.

Mas software convencional também é extraordinariamente bom. Geometria é boa. Shaders são bons. Tracking é bom. Renderização determinística é boa. Processamento local é bom. Redes neurais também são boas.

Essas coisas não precisam competir. A pergunta correta não deveria ser “como podemos substituir isso por IA?”. Deveria ser “qual parte deste problema realmente precisa de IA?”

O DLSS 5 provavelmente vai ficar muito melhor

Seria injusto transformar o DLSS 5 no vilão desta história. As primeiras gerações do próprio DLSS tiveram problemas sérios de qualidade visual e evoluíram enormemente.

O Neural Rendering que hoje custa uma quantidade brutal de computação pode ficar muito mais eficiente. Hardware futuro pode ser desenvolvido especificamente para esse tipo de workload. Modelos podem ficar menores. A integração com engines pode melhorar. Desenvolvedores podem aprender a controlar melhor o resultado. O DLSS 5 pode acabar sendo o início de uma transformação profunda na maneira como gráficos são renderizados, e os primeiros testes da implementação final em NBA 2K27 já mostram resultados consideravelmente melhores do que demonstrações anteriores que causaram rejeição.

Então o argumento não é que o DLSS 5 é ruim. O argumento é: olhe quanto trabalho, contexto 3D e poder computacional precisamos fornecer para uma IA reinterpretar corretamente uma imagem em tempo real.

Agora imagine tentar resolver todos os problemas visuais dessa maneira.

A NVIDIA pelo menos tem uma justificativa muito boa

Existe uma diferença empresarial engraçada entre NVIDIA e Meta. Se neural rendering exigir GPUs cada vez mais poderosas, bem, a NVIDIA vende GPUs.

Quanto mais importante a inferência neural se tornar para jogos, maior a importância de hardware especializado para executá-la. A sinergia comercial é óbvia: a NVIDIA pode criar uma tecnologia extremamente pesada hoje e vender amanhã o hardware capaz de executá-la melhor.

A Meta está em situação diferente. Ela encerrou um ecossistema no qual centenas de milhares de criadores desenvolviam experiências que rodavam grande parte da lógica e da renderização nos dispositivos dos próprios usuários, e agora investe em experiências generativas muito mais pesadas computacionalmente.

Talvez isso faça sentido dentro de uma estratégia maior de IA. Provavelmente faz. Mas olhando exclusivamente para filtros, é difícil não achar a troca estranha.

O mais curioso é que estamos falando do Instagram

Tudo isso seria menos estranho se fosse uma plataforma qualquer. Mas estamos falando de uma rede social profundamente baseada em câmera, imagem, vídeo, Stories e criação visual.

Enquanto isso, o Snapchat continua desenvolvendo o Lens Studio e o TikTok continua desenvolvendo o Effect House. E a Meta, que chegou a operar aquilo que ela própria chamava de maior plataforma móvel de realidade aumentada do mundo, simplesmente saiu dessa corrida do lado dos criadores.

Não porque realidade aumentada deixou de funcionar. Não porque ninguém usava filtros. Não porque smartphones deixaram de ser capazes de executá-los. Foi uma decisão estratégica.

Talvez o futuro não precise destruir o presente

Os novos efeitos generativos da Meta podem ficar instantâneos. Modelos futuros podem rodar inteiramente no smartphone. Vídeo generativo pode ficar consistente em tempo real. O DLSS 5 pode passar de recurso extremamente pesado para algo praticamente gratuito em gerações futuras de hardware.

Tudo isso é perfeitamente possível. Talvez até provável.

Mas tecnologia futura não torna tecnologia atual obsoleta automaticamente. Às vezes um shader continua sendo melhor do que um transformer. Às vezes alguns landmarks faciais são melhores do que bilhões de parâmetros. Às vezes geometria é melhor do que inferência. Às vezes IA é exatamente a ferramenta que precisamos, e às vezes não é.

O erro não está em desenvolver IA generativa para filtros. Isso deveria existir. O erro está em tratar uma tecnologia nova como se ela necessariamente precisasse ocupar o lugar da anterior.

O Snapchat demonstra que as duas coisas podem coexistir. O TikTok demonstra que ainda existe enorme valor em deixar a comunidade construir efeitos. E o próprio DLSS 5 demonstra que até uma das empresas mais avançadas do mundo em computação gráfica precisa fornecer quantidades enormes de contexto, integração e poder computacional para fazer neural rendering funcionar bem.

É por isso que o fim do Meta Spark continua me parecendo tão estranho.

A Meta tinha uma plataforma com centenas de milhares de criadores. Tinha milhões de efeitos. Tinha processamento local. Tinha ferramentas maduras. Tinha uma comunidade capaz de reagir à cultura da internet em questão de horas. E tinha usuários carregando no próprio bolso o hardware necessário para executar boa parte dessas experiências.

Ela poderia ter colocado IA dentro desse ecossistema. Poderia ter permitido modelos generativos como uma etapa do pipeline. Poderia ter criado ferramentas de IA para gerar texturas, objetos, shaders e lógica. Poderia ter combinado tracking tradicional com geração. Poderia ter feito exatamente o que seus concorrentes estão fazendo: AR + IA.

Em vez disso, preservou alguns filtros, encerrou a plataforma e, mais de um ano depois, apresentou efeitos generativos centralizados como uma nova experiência para Stories.

Talvez isso seja o futuro. Mas existe diferença entre construir o futuro e desmontar o presente antes que ele chegue.

E olhando para o Instagram em 2026, é difícil não enxergar a ironia: na tentativa de correr para o futuro, a Meta ficou para trás justamente na tecnologia que ela já dominava.

Footnotes

1. Reuters, “Meta to shut augmented reality studio used by third-party creators”, 27/08/2024. ↩

2. Meta, “F8 Refresh: Desenvolvedores em Destaque”, 2021. Fonte dos números de 600 mil criadores e 2 milhões de efeitos. ↩ ↩²

3. Meta, “Novos Efeitos nos Stories com a Meta AI”, 07/07/2026. ↩

4. NVIDIA, “DLSS 5 3D-Guided Neural Rendering Debuts in NBA 2K27”, 01/09/2026. Fonte tanto da descrição da tecnologia quanto da demonstração com Super Resolution e Multi Frame Generation. ↩ ↩²

5. PC Gamer, “New DLSS 5 mod offloads Neural Rendering to a second card, massively cutting the AI filter’s performance hit”, 07/09/2026. ↩

6. 2K Support, “NBA 2K27: NVIDIA DLSS 5”, 03/09/2026. ↩

7. Meta, “Introducing Muse Image: Image Generation Built for Your World”, 07/07/2026. ↩

8. Snap AR, Lens Studio. ↩

9. Snap, “Lens Creator Rewards Program”. Fonte dos 350 milhões de usuários diários, dos 400 mil criadores e das regras atuais do programa. ↩ ↩²

10. TikTok Newsroom, “Taking community-inspired creativity to the next level with Effect House”, 12/04/2022. ↩

11. Snap Newsroom, “Introducing Lens Creator Rewards: A New Way for AR Creators to Get Rewarded for their Creativity”, 01/08/2023. ↩

12. TikTok Newsroom, “TikTok amplia o Effect Creators Rewards com novas atualizações”, 12/03/2024. ↩

13. Snap, “Top Performer Payout Program Terms”. ↩

14. Snap, “Lens+ Payout Program Terms”. ↩

15. TikTok Effect House, “FAQ: Effect Creator Rewards”. ↩

16. Meta, “Monetize mais conteúdos com o novo programa do Facebook”, 02/10/2024. ↩