关注前沿科技 2025-10-22 17:09 北京
多任务性能达成新SOTA
允中 发自 凹非寺量子位 | 公众号 QbitAI
腾讯混元世界模型再放大招！刚刚发布并开源混元世界模型1.1（WorldMirror）——真正统一的端到端3D重建基座大模型。
它首次支持用户从多视图或视频中一键生成3D世界，还能在单卡、秒级推理下完成高精度重建。
同时，混元世界模型1.1也是业界首个统一（any-to-any）的前馈式（feedforward）3D重建大模型。
不仅支持额外的相机、深度等多模态先验输入，还能同时实现点云、深度、相机、表面法线和新视角合成等多任务统一输出，性能达成新的SOTA。
效果上，无论是3D点云重建还是端到端3DGS重建，混元世界模型1.1都展现出领先同行的几何精度和细节还原，可以实现更稳定、更真实的场景重建。
那么话不多说，下面我们一起来康康具体效果如何吧～
场景重建效果更佳
首先体验一下此次混元世界模型1.1的生成效果：
动画风格的虚拟场景，对它来说so easy，嗖地一下就置身欧洲小镇街角，感觉下一秒就可以游戏跑图了（doge）
中华风也不在话下，背景里的石灯、房梁都还原度拉满。
真实的航拍场景也满满都是细节，妥妥的景区宣传vlog，即拿即用，这下谁还能分清是不是AI生成的～
以及还有科幻、漫画等多种风格，只要你的创意够用，混元世界模型1.1通通都能帮你实现。
那么再和业界模型横向对比看看。
先让混元世界模型1.1和Meta的最新开源模型MapAnything同时处理3D点云重建任务。
可以看出，混元世界模型1.1生成出来的表面更平整，场景也更规整。
而在端到端3D高斯重建任务中，混元世界模型1.1在与AnySplat模型的对比中，同样也展现出领先优势。
混元世界模型1.1在几何精度和细节还原上都全面超越了AnySplat，场景重建更稳定，也更真实。
端到端3D重建大模型
新模型是继今年7月发布的混元世界模型1.0后，腾讯的又一次世界模型大升级。
混元世界模型1.0作为业界首个开源并兼容传统CG管线的可漫游世界生成模型，支持文本或单图输入生成3D场景，凭借“可在消费级显卡上部署”的特性，一经推出便引发社区热议。
而刚刚发布的混元世界模型1.1版本则是在此基础上，全新推出端到端3D重建大模型，并且同样是发布即开源。
其主要具备以下三大特性：
1、灵活处理不同输入（any input）
传统3D重建方法只能处理原始图像，无法利用现实应用中常见的额外信息，混元世界模型1.1则突破性地提出多模态先验引导机制，支持灵活注入：
- 相机位姿：
提供全局视角约束，确保多视图一致性
相机内参：解决尺度歧义，精确投影几何关系
深度图：为纹理缺失区域（如反光面、无纹理区）提供像素级约束
系统采用分层编码策略，紧凑先验压缩为全局语义令牌，稠密先验则以空间对齐方式融合进视觉特征。
通过动态先验注入机制，模型能灵活适应任意先验组合，简单来说，就是如果有就能用，如果没有也能照常工作。
2、通用3D视觉预测（any output）
传统方法往往为单一任务定制，点云、深度、相机位姿，三者选择其一。而混元世界模型1.1实现了业界首次统一，并均取得了SOTA的表现：
点云：密集点云回归
多视角深度图：逐像素深度估计
相机参数：完整位姿和内参预测
表面法线：支持高质量网格重建
3D高斯点：直接用于实时新视角渲染
具体实现是通过端到端多任务协同训练，各任务相互强化，例如，预测的法线图在Poisson表面重建中能产生更清晰的网格细节，而深度和相机约束则互相校准，提升整体几何一致性。
3、单卡部署、秒级推理
不同于需要迭代优化的传统方法（可能耗时数分钟甚至数小时），混元世界模型1.1采用纯前馈架构，在单次正向传播中直接输出所有3D属性，比如说处理典型的8-32视图输入，模型耗时仅需1秒钟。
另外，混元世界模型1.1的架构同样也包含三个核心设计：
多模态先验提示
每种先验采用专化编码策略，其中相机位姿和内参通过MLP投影为单个令牌；深度图通过卷积核生成空间对齐的密集令牌，与视觉特征直接相加。
这种异构融合策略既保留了全局约束的稳定性，又维持了局部几何信息的细节。
通过动态注入与随机组合训练策略，模型能够灵活适应任意先验组合甚至无先验的输入场景，实现对复杂真实环境的鲁棒解析，大幅提升三维结构一致性与重建质量。
通用几何预测架构
基于完全Transformer骨干，使用DPT头进行密集预测（点云、深度、法线），再用Transformer层回归相机参数。
而对于3DGS，系统直接预测高斯位置和属性，并通过可微光栅化器进行监督。
然后通过端到端的多任务协同训练，混元世界模型1.1在结构精度、渲染保真度及跨任务泛化能力上均显著超越现有方案，为通用三维世界建模奠定了新的技术基石。
课程学习策略
整个训练分三个维度递进：
- 任务顺序：
先学基础几何，再学表面属性，最后学3DGS。
数据调度：先用多样化数据，再用高质量合成数据。
分辨率渐进：从低到高。
所采用的这套策略可以将单一图像分布外的泛化能力最大化。
目前混元世界模型1.1项目已完全开源，开发者可克隆GitHub仓库，按照文档一键部署到本地使用。
普通用户也可以直接进入huggingface space在线体验，支持上传多视图图像或视频，实时预览3DGS渲染结果，相关入口点击文末链接即可获取。
混元3D世界模型1.1突破了1.0版本的局限，使用户能够上传多视图或者视频来生成3D场景，通过多模态先验融合、通用几何预测和前馈高效推理的完美结合，将3D重建从专业工具转变为人人可用的技术。
它不仅在性能上刷新开源SOTA，更重要的是打破了技术壁垒——让任何人都能在秒级内从视频或图片中创造出专业级3D场景。混元团队表示，还将持续优化性能和资源效率，与社区共创生态，让强大的AI模型触手可及。
GitHub地址：https://github.com/Tencent-Hunyuan/HunyuanWorld-MirrorHugging Face地址：https://huggingface.co/tencent/HunyuanWorld-Mirrordemo地址：https://huggingface.co/spaces/tencent/HunyuanWorld-Mirror
