高德正式发布"通用交互式世界模型"（Universal Interactive World Model）系列研究成果。它要做的事情，用一句话就能说清楚：给一张图、一段话、一段视频——任何一种最简单的输入，它都能为你生成一个可交互的世界，你可以在里面自由行走、四处探索，然后把这个世界分享给任何人。

 

作为一家深耕地图与导航领域的科技公司，高德始终在思考一个问题：地图的边界在哪里？它可以是此时此刻的城市路网，也可以是百年前的胡同街景；可以是真实世界的某个坐标，也可以是一个从未存在过的奇幻大陆。当高德将"地图"的概念从空间延展到时间、从现实延伸到虚拟，一种全新的时空地图范式应运而生——而通用交互式世界模型，正是构建这张无限地图的核心引擎。

 

高德地图ABot 系列迎来新的成员：ABot-World Studio，支持图片、文本、视频等多模态输入，贯通"从一个简单输入到一个可分享3D世界"的完整技术链路。用户只需提供任意一种日常素材，即可在本地设备上实时生成并探索一个三维世界，再将其凝固为可永久保存的3D场景，一键分享给任何人。

 

Demo 体验入口已在官网与 Reactor 多端同步上线；代码与模型参数同步开源至 GitHub、ModelScope、Hugging Face。

• 官方网站：https://abot-world.amap.com
• Reactor：https://reactor.inc/abot-world
• Github：https://github.com/amap-cvlab/ABot-World
• Model：https://modelscope.cn/models/amap_cvlab/ABot-World-0-5B-LF

 

交互式世界模型走到了哪里，还差什么？

2025年以来，"世界模型"成为全球AI领域投入最密集的前沿方向之一。众多公司和高校团队先后入场，共同验证了一个判断：AI有能力生成可供探索的虚拟世界。然而，从普通用户的视角审视：我能否真正使用它？这些令人振奋的技术突破背后，仍存在几道尚未跨越的鸿沟。

• 难以触及：当前几乎所有方案均依赖云端数据中心级算力，普通用户无法在个人设备上亲身体验。世界模型至今仍停留在展示阶段。
• 无法留存：Genie 3、Happy Oyster、Odyssey等视频世界模型已支持实时交互，用户可以在AI生成的世界中移动视角、探索空间。但交互结束后，世界随之消失。其输出本质上是视频流，无法凝固为三维结构，无法保存，更无法分享。
• 
  时长受限：当前世界模型通常只能稳定运行数分钟，随着交互持续，容易出现内容漂移（drift）、场景退化或需要重新设定 Prompt 才能继续探索。如何让同一个世界持续演化数小时甚至更久，并始终保持稳定一致，仍然是开放世界生成的重要挑战。
• 规模受限：Marble、HY-World 2.0等3D世界生成方案能够输出真正的三维场景，但覆盖范围以室内和中小规模环境为主。从一个房间延伸到一条街道、再拓展至一座城市，在统一框架下实现仍然具有挑战。
• 输入受限：HY-World 2.0 的采用单图生成和多图重建的分离框架；Marble 虽支持多视图输入，但整体生成质量仍有明显瓶颈。用同一个系统接受文字、单图、多图、视频等任意形式的输入，并针对不同输入给出高质量的世界生成结果，这一目标至今尚未被真正实现。

ABot-World Studio 的设计，正是对上述挑战的系统性回应：

• 消费级显卡，本地实时推理
  在单张 RTX 5090 级别的消费级显卡上即可本地运行，无需依赖云端——世界模型首次从实验室走向个人桌面。
• 小时级持续探索，世界长期稳定
  基于高德的 LongForcing 训练范式，ABot-World 已验证连续运行 24 小时仍保持稳定生成，未观察到明显 Drift，无需 Prompt Switching 或重启生成过程，让开放世界真正具备持续演化能力。
• 从视频到3D，世界可留存、可分享
  实时探索的世界可被凝固为持久化的3D场景，通过一个链接即可分享给任何人，在浏览器中自由浏览。
• 全场景统一覆盖
  室内、街景、城市航拍——同一套架构、同一个系统，无需切换。从单个房间到整座城市，是同一引擎的自然延伸。
• 多模态输入，统一框架
  文字、单图、多图、视频——任意形式的素材均可作为世界生成的起点。多图或视频输入时，生成结果尽可能贴近原始场景；文字或单图输入时，系统则充分发挥生成能力补全完整世界。同一架构，灵活适配不同输入。

 

ABot-World Studio：从一个输入到一个可分享的世界

一句话描述 ABot-World Studio 的核心体验：给定一张图片或一句描述，系统在用户本地设备上实时生成一个可自由探索的世界，随后将其凝固为3D场景，通过一个链接即可分享给任何人。

 

任意素材，皆为世界的入口

一张手机拍摄的街景、一句"雨后的京都小巷"、几张不同角度的照片、一段手持短视频——日常素材即可作为世界生成的起点，无需专业设备，无需任何预处理。

 

输入形式不同，系统的处理策略也相应不同：多图或视频输入时，系统通过严格的几何流程还原真实场景的空间结构与视觉细节；文字或单图输入时，系统则以生成方式补全完整的三维世界。真实还原与自由创造，在同一产品中无缝衔接。

 

本地设备，实时交互

世界在数秒内即可在屏幕上展开——并非预渲染的视频回放，而是一个实时响应用户操作的动态环境。按下方向键，画面即刻跟随；转动视角，世界即刻变换。全部运算在单张 RTX 5090 级别的消费级显卡上本地完成，无需云端支持。

 

用户可以在同一世界中自由切换两种交互模式：以自由视角飞行俯瞰的场景漫游，以及切换为第三人称视角、操控虚拟角色行走奔跑的角色控制——同一世界既可浏览，亦可交互。覆盖场景不受限制：室内空间、街景环境、城市航拍，统一处理。通过与 ABot-Earth 联动，更可从卫星影像直接生成城市尺度的3D世界。

 

凝固3D，一键分享

探索过的世界并非一次性体验。ABot-World Studio 可将其凝固为持久化的3D场景——支持任意视角自由浏览，不再受限于最初探索的路径。通过一个链接，任何人均可在浏览器中直接打开并漫游其中，无需安装额外软件。

每一个生成的世界还可与地图体系打通，成为时空地图上的一个位置。

 

四项核心技术支撑

上述产品体验并非功能的简单拼接，而是四项关键技术协同支撑的结果。

 

消费级实时推理：从"秒级响应"到"帧级响应"

在消费级显卡上实现实时世界生成，首要挑战是计算效率——传统视频生成模型的推理开销与实时交互所要求的响应速度之间，往往存在百倍量级的差距。作为 ABot-World Studio 的实时生成引擎，ABot-World 通过 Causal & Few-step Distillation 与全链路推理压缩，将模型量化、稀疏注意力、层级扩散和轻量解码统一纳入端到端的 Runtime Co-Design，在单张消费级显卡上实现实时生成。这并非对既有视频模型的局部加速，而是从生成范式、模型结构到运行时系统的整体重构，使世界模型首次能够在个人桌面设备上以帧级响应持续运行。

 

长程稳定演化：从“有限片段”到“持续世界推演”

世界模型的长程挑战不仅是生成时间不够长，更在于随着推演持续，误差会不断累积：一方面可能出现内容漂移、结构退化与动力学失稳；另一方面也可能逐渐陷入当前场景，缺乏持续生成新空间、新事件与新动态的能力。ABot-World 提出 LongForcing 长程训练范式，将长时间尺度上的稳定性与开放性统一纳入模型学习，使模型既能维持长期一致的世界状态，又能在无需切换 Prompt 的情况下持续拓展场景与动态。当前系统已完成连续 24 小时推理验证，未观察到明显 Drift，实现了从分钟级片段生成到超长程世界推演的跨越。

 

SGP：统一所有输入、覆盖所有场景

如何以同一套架构支持文字、单图、多图、视频等不同输入模态，并统一覆盖室内、街景、航拍等差异显著的场景类型？关键在于一层精心设计的中间表征——SGP（Spatial Generative Primitive，空间生成元语）。SGP 是一个紧凑的结构化表示：（高质量全景图 + 稠密场景几何）。无论输入为何种形态，系统均先将其提升为 SGP；再由全景视频生成器沿规划轨迹对 SGP 进行扩展探索，最终构建完整的 3DGS 世界。

 

这一"提升"过程针对不同输入采取差异化策略：丰富输入（多视角照片、视频）经由几何管线提取空间结构信息，使生成结果尽可能贴合原始场景；简约输入（文字、单图）则通过生成式补全创造完整世界，降低创作门槛。两种路径共享同一 SGP 表征，不会将差异化输入坍缩为模糊的中间状态。

 

更为关键的是，每个 SGP 在度量空间中保持自对齐——多个 SGP 可自然拼接，从一个房间延伸至一条街道、一个街区，乃至一座城市。这一组合特性，正是全场景统一覆盖能力的技术根基。

 

全景扩展：更高效率，更强的复杂场景处理能力

从 SGP 到完整 3D 世界的关键步骤，是沿轨迹生成全景视频序列。相较于普通透视视频每帧仅覆盖有限视角，全景视频单帧即可覆盖 360° 视野，以更少的生成步骤完成对完整空间的覆盖，显著提升空间信息的生成效率。

ABot-World Studio 的底层 3D 世界生成引擎 ABot-3DWorld 采用一套 14B 参数规模的全景视频生成模型，结合点图引导（Point-Map Guided）、环形无缝拼接与三维强化学习（3DRL），提升全景序列的几何一致性。在大范围室外街景、多层建筑内部、高低错落的城市天际线等复杂场景中，这种全景扩展方式相比逐帧透视生成，能够获得更好的空间连贯性与结构稳定性。最终，扩展后的全景序列经过 3D 强化学习质检与扩散修复，进一步构建为高质量的 3DGS 世界。

 

时空地图：当世界模型遇上地图基因

作为一家地图导航公司，高德对"空间"的理解深入骨髓。通用交互式世界模型的发布，不仅是一项AI技术突破，更代表着高德对"地图"这一核心概念的重新诠释。

传统地图是一种记录——记录此时此刻、真实世界中道路与建筑的空间关系。但如果高德将"地图"的边界打开呢？

• 向时间维度延伸
  一张1990年的老照片，可以通过世界模型"复活"为一个可行走的三维空间。城市的变迁不再止于文字记载或平面影像，而是可以身临其境、自由漫步的时空体验。走进三十年前的老城区，看一看那时的街道、那时的店铺、那时的生活气息。
• 贯通现实与虚拟
  无论输入的是真实街景，还是一幅完全虚构的概念画、一张游戏截图、一幅建筑设计草图，世界模型都能将其拓展为可交互的三维空间。在这一技术框架下，现实地图与虚拟地图不再有本质区别——它们共享同一套生成与交互范式。
• 从导航到探索
  
  传统地图告诉你"从A到B怎么走"，时空地图则邀请你"在任意时空中自由探索"。它不再只是出行工具，而是一种全新的空间体验——探索已经消失的历史街区，漫游尚未建成的未来城市，飞行于只存在于想象中的奇幻世界。
• 从个人到社交
  
  时空地图中的每一个世界，都可以一键分享给亲友。用一张外婆年轻时的老照片生成一个可行走的三维世界，分享给全家人，一起在这个"时光空间"中重温记忆——这是地图从未拥有过的温度。

 

高德

将这一愿景称为"时空地图"——跨越时间、贯通虚实、连接众人的无限空间。通用交互式世界模型，就是绘制这张地图的画笔。

 

体验展示：探索你的世界

在产品层面，高德围绕"生成世界"设计了三种全新的内容消费方式：

• 实时世界探索
  
  用户通过键盘与鼠标控制角色移动和视角变化，ABot-World 根据每一步操作实时推演世界的下一状态，持续生成后续画面与场景变化。这里不存在预先录制的固定路线，也不是被动的视频或三维模型的播放，用户的每次行动都会直接参与世界演化，探索路径与所见内容均在交互过程中实时产生，并可进一步凝固为可永久保存的 3D 世界，并继续浏览、编辑与分享，实现“探索即生成，生成即可留存”。
• 时空穿梭门
  
  在场景中设置语义化的"传送入口"，穿越即可进入另一个世界——从普吉岛海滩一步跨入挪威极光雪原，从今日赤壁穿越至"赤壁之战"的历史现场。不同世界通过"门"彼此相连，形成一张可持续探索的世界网络。用户并非在"使用一个工具"，而是在"漫游一个宇宙"。
• 空间短视频
  
  以地图兴趣点（POI）为索引，构建无限滚动的空间信息流——城市地标、影视取景地、历史遗迹、奇幻世界，分类呈现。用户如同浏览短视频一般被不断吸引进入下一个AI生成的三维世界——区别在于，这一次不是在观看一块屏幕，而是"走进"每一条内容。这是一种前所未有的空间维度内容消费体验。

 

未来愿景

通用交互式世界模型真正要做的，是把高成本、重资产、高门槛的三维内容生产，变成一种每个人都能触及的日常能力。它的意义不止于"做出更多3D场景"——它在为整个空间智能产业链提供一种全新的底层供给：

• 对智慧城市与数字孪生：快速生成可定制的三维底座，大幅缩短项目周期，填补全球无测绘资料地区的三维空白。
• 对自动驾驶与具身智能：提供海量、多样化、与真实坐标对齐的仿真训练环境，弥补真实采集数据永远不够用的困境。
• 对内容创作与文旅产业：让真实地点变成可叙事、可演绎的素材——景区四季的变迁、城市未来的面貌、创作者脑海中的故事空间，都能被"生成"出来。
• 对每一位普通人：让一句话、一张图、一段记忆，都能成为通往一个完整世界的入口。

 

接下来，高德会沿着三个方向继续走：更大的世界——从街区走向城市乃至地球尺度，让ABot-Earth与ABot-3DWorld深度融合；更活的世界——引入动态物体、天气变化、昼夜交替，让生成的世界有呼吸、有时间；更多人的世界——打通社交与协作，让时空地图成为人们分享记忆、协同创作、共同探索的空间平台。

 

高德相信，当每一句话、每一张图都可以成为一个世界的入口，人和空间的关系将被彻底重新定义。

 

模型链接

https://modelscope.cn/models/amap_cvlab/ABot-World-0-5B-LF

 

魔搭社区1013 搭子 · 1550 讨论 圈子