国产世界模型登顶李飞飞榜单：UniWorld-View如何破解大基线生成难题？
在人工智能内容生成的浩瀚星海中，世界模型（World Models）正逐渐成为连接2D视觉感知与3D物理世界的核心枢纽。2026年7月，这一领域迎来了一个极具里程碑意义的时刻：由兔展智能联合北京大学、鹏城实验室共同研发的UniWorld-View模型，正式登顶斯坦福大学李飞飞团队维护的WorldScore权威榜单。这不仅标志着国产AI在基础模型能力上取得世界级突破，更因其全面适配国产昇腾算力、代码与权重全开源的开放性姿态，为全球开发者提供了一套高效、透明的新一代视觉生成范式。
UniWorld-View的核心突破在于其统一的处理架构——无论是基于单张图片的3D生成，还是基于单目视频的4D动态生成，模型均能在同一套代码逻辑下运行。用户只需提供一张照片或一段随手拍摄的视频，模型即可生成具有精确相机位姿控制的新视角视频。支持推、拉、摇、移乃至360度环绕拍摄，真正实现了“给定条件，还原世界”的承诺。这种能力并非简单的图像拼接，而是基于对场景深层几何结构的理解与重构，其技术路径对传统的计算机视觉方法提出了严峻挑战，同时也开辟了全新的解决思路。
要理解UniWorld-View的价值，首先需审视其解决的核心痛点：大基线新视角合成（Large-Baseline Novel View Synthesis）。在传统摄影或计算机视觉中，“大基线”意味着相机视角变化幅度极大，例如从正脸视角生成侧脸甚至后脑勺图像。传统的神经辐射场（NeRF）和3D高斯溅射（3DGS）等重建方法，依赖于密集的多视角输入。当面对仅包含单一视角的单目视频时，由于视角覆盖严重不足，传统重建方法极易产生空洞、伪影，甚至彻底失效。而早期的生成式方法虽然敢于“脑补”，但往往将相机位姿视为抽象的条件向量，缺乏显式的3D几何约束，导致在大幅旋转时画面结构扭曲，生成结果失控。
近两年，行业尝试走出第三条道路：先通过几何模型将画面重建为3D点云，再将目标视角的点云渲染图作为条件输入视频扩散模型。这种“几何归几何，生成归生成”的思路在ViewCrafter、英伟达GEN3C等工作中有所体现。然而，UniWorld-View团队在深入研发中发现，这条看似平坦的道路上隐藏着一个普遍被忽视却致命的陷阱：点云渲染中的几何穿帮。
点云由孤立的数据点组成，缺乏面片连接信息和表面朝向概念。当视角发生大角度变化时，渲染图极易出现两种典型的错误信号。首先是前景背景撕裂，由于深度边界缺乏连接信息，前景纹理可能被错误拉伸至背景，或背景像素污染前景，导致画面出现类似口香糖拉伸的畸形纹理。其次是背面漏光，点云没有自遮挡机制，当相机绕至物体背后时，正面的点会穿透物体被渲染出来，造成逻辑上的悖论。在小视角变化下，扩散模型尚能凭借先验知识进行模糊修正，但在大基线场景下，这些错误的几何信号会直接误导扩散模型，导致生成结果结构崩塌。
针对这一行业难题，UniWorld-View提出了“遮挡感知点云渲染”技术，通过两招精准拆解问题。第一招是“双重投影”策略，专门解决撕裂问题。该策略将源画面投影至目标视角，再反向投影回源视角。通过比对两次投影的一致性，识别出无法回投影的像素区域，这些区域即为潜在的遮挡区域。团队将这些区域沿相机轨迹逐帧累积，形成精确的遮挡掩码（Mask）。在渲染时，直接将这些区域挖空，留下明确的待补全区域，而非保留误导性的错误纹理，从而引导生成模型进行合理的纹理填补。
第二招是“法向过滤”机制，旨在消除背面漏光。模型为点云中的每个点估计法向量，并计算其与视线方向的夹角。凡是背对相机的点，即法向量与视线夹角大于90度的点，均被判定为不可见点，直接从渲染序列中剔除。这两项技术的结合，彻底清除了条件图中的错误几何信号，保留了可靠的几何结构与明确的补全需求，为后续的生成步骤奠定了坚实基础。
在解决了几何渲染的准确性问题后，UniWorld-View面临着第二个核心挑战：如何平衡3D结构的准确性与视觉内容的连贯性。点云渲染图提供了正确的空间位置，但内容缺失；源视频拥有丰富的视觉内容，但缺乏目标视角的几何约束。UniWorld-View采用了创新的“双流条件注入”架构，实现了构图与上色的完美分工。
在“几何流”中，点云渲染图与遮挡掩码被编码后直接注入到潜变量中，起到“骨架”的作用，强制生成内容严格贴合3D空间结构，防止画面漂移。在“外观流”中，模型设计了全新的Ref-DiT模块。该模块将新视角的特征作为查询（Query），源视频特征作为键（Key）和值（Value），通过交叉注意力机制，让模型自主地从源视频中检索并匹配纹理。这种机制不仅确保了生成内容与源视频的高度一致性，还能自动修复因点云伪影导致的模糊或失真纹理，实现了“有质有样”的高保真生成。
UniWorld-View的野心不止于生成任意视角的视频，更在于打通从2D内容到3D世界的全链路。既然模型能够生成任意视角的多视角视频，那么通过多视角视频进行4D重建（动态3DGS）便成为可能。然而，常规方法中相机的空间运动与时间推进往往耦合在一起，导致4D空间内的采样分布极不均匀，重建效果受限。
UniWorld-View巧妙地解耦了空间与时间两个维度，采用“先定妆，后动态”的两步走策略。首先，将时间冻结在第一帧，生成一圈静态的环绕视图，作为整个场景的外观锚点。这一步确保了场景静态结构的完整性与一致性。随后，在固定机位上生成同步的多视角视频，并将每一帧的第一帧与“定妆照”进行对齐。对于前景中的自遮挡区域，则通过迭代生成的方式逐步补全。最终，将这些多视角视频输入4DGS优化器，即可高效重构出高保真的4D动态场景。这一流程将单目随手拍转化为可自由漫游的4D世界，极大降低了3D内容创作的门槛。
值得注意的是，UniWorld-View不仅在算法层面实现了突破，在生态构建上也展现了强烈的国产化适配意识。模型已全面适配国产昇腾算力，这意味着在缺乏高端GPU集群的环境下，国内开发者依然能够高效训练和部署这一顶级世界模型。代码与权重的全开源，进一步降低了研究与应用门槛，促进了学术与产业界的协同创新。
兔展智能作为该模型的主要研发方，其背景亦值得关注。公司由北京大学校友及视觉领域青年领军人才创立，专注于视觉AI大模型的底层技术研发。早在2024年，其开源的文生视频模型Open-Sora Plan便以全球第一的代码引用量引发行业关注。2025年发布的UniWorld-V2，率先探索了理解与生成统一架构，引领了多模态大模型的新方向。2026年4月发布的UniWorld-V2.5，则在图文交错、文字密集等复杂场景下，具备了与GPT-Image-2等国际顶尖模型对齐的能力。
随着UniWorld-View的发布，兔展智能正加速推动视觉AI大模型的能力产品化。近期即将推出的产模一体设计生产工具RabbitVis，旨在将世界模型的能力直接嵌入商业设计工作流，赋能广告、游戏、影视等行业的数字化转型。从底层模型创新到上层应用落地，UniWorld-View不仅是一个算法模型的突破，更是中国AI产业从跟随走向引领的缩影。它证明了在算力自主可控的前提下，通过算法创新同样可以突破瓶颈，构建具有全球竞争力的AI基础设施。未来，随着更多开发者基于开源代码进行二次创新，世界模型将在自动驾驶、虚拟社交、数字孪生等领域释放巨大潜力，重塑人类感知与创造世界的方式。