高德发布通用世界模型工坊ABot-World Studio：5090单卡可生成小时级实时交互式视频与3D场景

背景

世界模型（World Model）被视为迈向通用人工智能（AGI）的关键基础设施之一，其核心目标是让AI系统能够理解、模拟并预测物理世界的动态变化。当前，业界主流探索沿着两条截然不同的技术路径展开：一是交互式视频生成，侧重沉浸感与实时响应，但视频生成后交互即告终止，用户无法持续漫游；二是3D场景生成，聚焦于高保真的空间资产构建，但各个场景之间缺乏连续性，探索范围局限于单一环境。两条路径本质上仍停留在“一段视频”或“一个场景”的范式内，既无法实现跨场景的持久探索，也难以在消费级硬件上完成小时级的连续推理。

2025年7月13日，阿里巴巴旗下高德正式发布ABot-World Studio，并同步开放测试。该产品首次将交互式视频生成与3DGS（3D Gaussian Splatting）场景生成统一在同一产品中，在单张NVIDIA RTX 5090显卡上即可完成本地部署和小时级连续推理，同时全面开源底层模型。这一发布标志着世界模型在统一技术路线、降低硬件门槛和扩展应用边界上迈出了实质性一步。

核心内容

ABot-World Studio是一个通用世界模型工坊，用户只需输入一段文字或一张图片，即可生成一个可实时交互、任意分享的AI世界。输出结果可保存为视频文件与3DGS文件。该产品的核心创新在于：

1. 统一双模态生成。工坊将交互式视频生成与3D场景生成整合在同一架构中，用户生成的世界既具备照片级视觉保真度，又拥有可感知的空间深度与物理边界，可以自由探索、实时交互。

2. 超长时推理能力。ABot-World Studio在架构层面不设推理时长上限。官方实测中，单次连续推理已稳定运行超过1小时且未出现崩溃或质量衰减，而同类世界模型通常仅有约1分钟的生成上限。模型通过算法优化缓解了误差累积问题，确保长时序画面与首帧画质相当。

3. “时空任意门”机制。工坊在每个3D世界中原生嵌入了“任意门”功能，用户每穿越一次“任意门”，即可跃迁至另一个完整的3D世界。例如，从江南水乡的木门后链接一座赛博城市，或让风陵渡的渡口直通雁门关的关隘。这一设计将原本孤立的场景编织成一张无界的探索网络，并实现了跨场景的“永久记忆”。

4. 底层模型全面开源。ABot-World Studio的底层通用交互式世界模型系列为ABot-World，包含两个子模型：

   • ABot-World0：负责交互式视频生成，将场景漫游与角色控制进行一体化建模，大幅提升模型控制精度。
   • ABot-3DWorld0：负责3D场景生成，与此前发布的ABot-Earth0.5共享推理路径，在全球首次实现同一架构贯通室内、街景与城市航拍的全尺度空间生成，并采用“生成—评估—修复”的模块化设计，确保高保真、长时序场景生成的质量稳定可控。

5. 消费级硬件本地部署。ABot-World系列模型均能在单张本地消费级GPU（如RTX 5090）上完成推理，无需依赖专用算力。这在当前世界模型领域仍属少见。目前，系列模型已在GitHub、Reactor和Hugging Face同步上线。

6. 多领域应用。在具身智能领域，为机器人提供专项训练的仿真训练场；在内容创作中，支撑游戏世界的无边界探索，帮助影视创作者将单视角素材迅速转化为分镜素材，创意验证周期从数周压缩至小时级；在文旅与教育行业，用户能以第一人称视角走进名画现场或过往文明，从旁观者变为亲历者。

关键要点

• 统一双模态输出：单个产品同时支持交互式视频生成与3DGS场景生成，输出可保存为视频和3DGS文件。
• 小时级连续推理：单次推理稳定运行超过1小时，画面质量不衰减，远超行业平均1分钟的上限。
• “时空任意门”机制：原生嵌入跨场景传送功能，实现多个3D世界间的无缝跳跃和永久记忆。
• 单张消费级GPU本地部署：无需专用算力，在RTX 5090上即可完成推理。
• 全面开源：ABot-World系列模型（ABot-World0和ABot-3DWorld0）已开源到GitHub、Reactor和Hugging Face。
• 物理规则高保真：模型对真实物理规则高度还原，世界能跟随用户动作实时演化与反馈，实现精准操控。
• 全尺度3D场景生成：ABot-3DWorld0支持室内、街景、城市航拍的全尺度空间生成，采用“生成—评估—修复”模块化设计。
• 多种应用场景：涵盖具身智能训练场、游戏/影视内容创作加速、文旅与教育沉浸式体验。

意义与影响

ABot-World Studio的发布在技术、产业和应用三个层面均具有深远意义。

技术层面，它首次将交互式视频生成与3DGS场景生成两条长期分立的技术路径统一在同一产品中，打破了“一段视频”或“一个场景”的既有范式。超长时推理能力的突破（小时级 vs 分钟级）解决了世界模型走向实用化的关键瓶颈——长时序推理的稳定性和质量。同时，“任意门”机制为世界模型引入结构化记忆与跨场景探索能力，为构建连续、可漫游的虚拟世界提供了新范式。在消费级硬件上本地运行的能力，则大幅降低了世界模型的研究与使用门槛，有望加速学术社区和中小型开发者参与。

产业层面，高德（阿里巴巴旗下）选择全面开源ABot-World系列模型，将对整个AI生态系统产生催化剂效应。开发者和研究者可以基于开源模型进行二次开发与定制，推动世界模型在具身智能、游戏、影视、文旅、教育等多个垂直行业落地。尤其是具身智能领域，仿真训练场不再依赖昂贵的专用算力和封闭平台，机器人训练成本有望显著降低。影视和游戏制作中，创意验证周期从数周压缩至小时级，将极大提升内容生产效率。

应用层面，ABot-World Studio让用户从“观看者”变为“亲历者”。在文旅和教育中，用户能以第一视角走进历史场景或艺术作品，体验从“被动接收”到“主动探索”的转变。在内容创作中，单视角素材可迅速转化为多视角分镜，为叙事和视觉表达开辟新可能。这些能力将重新定义虚拟内容消费和交互方式，推动“生成式世界”从实验室走向大众。

总体而言，ABot-World Studio不仅是一次技术集成创新，更是世界模型从学术概念走向实用产品的关键里程碑。其开源策略和消费级硬件支持，可能加速整个行业对世界模型技术路线的重新定义。