在最近的2025世界人工智能大會（WAIC）上，騰訊突然放了個“王炸”，正式發(fā)布并開源了旗下「混元3D 世界模型 1.0」。

據(jù)了解，相較于以往，此次發(fā)布的「混元3D世界模型」最大的不同在于，這是業(yè)界首個開源可沉浸漫游、可交互、可仿真的世界生成模型。按照騰訊的說法，用戶只需輸入一句話或一張圖，就能在幾分鐘內(nèi)生成一個完整、可360度沉浸式漫游的3D世界。

在混元大模型官網(wǎng)，官方展示了幾個例子。

比如通過上傳一張畫著一棵樹、一艘船以及幾棟建筑的原始圖片，就能夠快速生成一個包含小樹、大海、藍天白云、城鎮(zhèn)等豐富要素的海濱小鎮(zhèn)。

又比如，通過一段簡短的文字描述，生成了一個布滿珊瑚、魚群以及海底城市的水下世界。整體來看，無論是作為主體的海底城市，還是周圍的生態(tài)環(huán)境分布、光照等元素，構(gòu)筑得都較為完整，算是較好地還原了文字描述的內(nèi)容。

除了以上兩個例子，官網(wǎng)還展示了許多其它的3D世界模型，包括小鎮(zhèn)、雪山、火山等等，且這些模型的美術(shù)風格也較為多樣，涵蓋了油畫、卡通、寫實、水墨等等風格。

值得一提的是，這些生成的3D世界，均允許用戶自由拖動視角進行360度觀察，并導(dǎo)出為全景貼圖以便在游戲、仿真或視覺引擎中使用。

回顧3D生成大模型的發(fā)展，從生成單個3D資產(chǎn)，到如今一句話構(gòu)筑完整的3D世界，3D創(chuàng)作的門檻正在以肉眼可見的速度在下降。

實際用起來怎樣？

隨著混元3D世界模型正式發(fā)布，騰訊也面向所有人開放了試用體驗。

在實際體驗后，我發(fā)現(xiàn)該模型的「3D生成」能力主要有兩個特點：

一是對文字或圖像的理解能力較強。

在試用的過程中，我主要采用的是「文生全景」的方式。我發(fā)現(xiàn)即便我故意以一種非常不直白的方式來闡述自己想要的3D世界，混元模型還是能夠較為準確地理解文字的含義，并生成一個大體符合我要求的全景。

比如在我要求混元模型生成一個類似武俠小說中肅殺凄涼的場景時，我給出了如下一段長文字，其中加入了大量對場景細節(jié)的藝術(shù)化表達，用于干擾模型的理解，包括“枯草低伏”、“殘陽如血”、“無聲的鋒芒”等等。

「朔風卷過死寂的荒原，枯草低伏，嗚咽作響。殘陽如血，將銹蝕斷劍與焦黑枯樹的影子拖長，斜插在龜裂的硬土上。幾具森森白骨半掩于風化的黃沙中，散落的破碎甲片閃著冷光。一只禿鷲盤旋于鉛灰色的低垂天幕，發(fā)出斷續(xù)嘶鳴?？諝饫飶浡F銹的腥甜與塵土干燥的嗆人氣息。一面殘破的戰(zhàn)旗掛在光禿的旗桿頂端，被風撕扯出裂帛般的聲響。遠處，風沙漫過嶙峋的亂石崗，發(fā)出沙沙的低吼。天地間唯余一片枯槁、冰冷與無聲的鋒芒?！?/em>

然而，從實際情況來看，混元模型算是較好地理解并抓住了以上文字的要點，一些關(guān)鍵性的要素，比如殘陽、禿鷲、枯樹、白骨、戰(zhàn)旗等，都在生成的全景圖里有所體現(xiàn)。同時，整個場景的氛圍雖說刻畫得不算完美，但也大體符合我原本“肅殺、凄涼”的要求。

當然，或許是模型吞噬的數(shù)據(jù)還不夠多，我發(fā)現(xiàn)在要是向它描述一些現(xiàn)實中沒有明文規(guī)定，但大家都約定俗成的定義時，混元模型的理解就容易走偏。

比如大多數(shù)人都能理解的「原神美術(shù)風格」，在我要求它以《原神》的美術(shù)風格，生成一個帶有植被生態(tài)、中世紀教堂建筑以及以及遺跡殘骸的城鎮(zhèn)時，混元模型就給出了一個離我預(yù)期相差較遠的全景圖。

且不說細節(jié)能不能構(gòu)筑出來，單單是美術(shù)風格就沒能過關(guān)。能看得出來，混元模型其實并不理解所謂的「原神美術(shù)風格」。

雖然對一些定義的理解還有待加強，但混元模型的第二個特點彌補了這些劣勢：那就是它生成全景圖或者模型的速度是真的快。

實際上，以上兩次嘗試從我輸入完文字開始算起，每一個全景圖的生成時間即便算上排隊，也沒有超過1分鐘。

至于「圖生全景」，同樣也很快速。比如我在某次試用時，扔給了模型一張塞爾達傳說風格的圖片，混元模型同樣用了不到一分鐘，就生成了一個可360度觀看的塞爾達風格全景世界。雖然細節(jié)上還有些粗糙，也沒有太多的要素填充，但起碼美術(shù)風格對上了。

需要指出的是，上述的試用生成的都是不可交互的全景圖，想要生成可交互的漫游場景需要額外申請資格。兩者的區(qū)別在于，漫游場景能夠允許用戶用WASD自由移動，是真正的虛擬3D世界。但從上述演示中不難看出，混元模型在3D世界模型生成方面的實際表現(xiàn)。

怎么實現(xiàn)的？

按照騰訊官方的說法，混元3D世界模型能實現(xiàn)上述效果，核心在于其創(chuàng)新的「語意層次化3D場景表征及生成算法」。該算法能夠?qū)?fù)雜的3D世界解構(gòu)為不同語意層級，實現(xiàn)前景、中景、遠景分層生成。

不僅如此，在生成的場景中，用戶還能對生成的每一部分，即場景內(nèi)的元素進行獨立編輯或物理仿真，比如前景物體可單獨選中、綁定骨骼或添加行為邏輯；天空與地形支持替換或個性化渲染。

同時，還能輸出標準化的3D Mesh資產(chǎn)，可兼容Unity、Unreal Engine、Blender等主流工具，直接用于游戲開發(fā)、影視特效制作、教育仿真、工業(yè)訓(xùn)練等場景。用戶既可在官網(wǎng)使用，也可在 Hugging Face上部署模型本地運行。

據(jù)了解，目前混元3D生成大模型已在騰訊內(nèi)部多個業(yè)務(wù)場景中落地。比如在游戲領(lǐng)域，借助混元3D平臺加持，游戲3D資產(chǎn)制作時間成本從數(shù)天降到分鐘級；在地圖導(dǎo)航領(lǐng)域，騰訊地圖基于混元3D大模型推出自定義3D導(dǎo)航車標功能，創(chuàng)作效率提升91%。

考慮到現(xiàn)在混元3D世界模型還處于1.0階段，相關(guān)場景應(yīng)用還有待進一步拓展。隨著版本的迭代，其或許能夠在游戲研發(fā)、影視制作等環(huán)節(jié)，帶給行業(yè)更多可能。