高德发布世界模型FantasyWorld 登顶WorldScore并将开源

导语 阿里巴巴旗下高德地图在 AI 基础模型领域取得重大突破，正式推出自研世界模型“FantasyWorld”。该模型凭借独特的几何与视频联合建模技术，在国际权威基准 WorldScore 上夺得榜首，并已率先应用于“飞行街景”等具身智能场景。

几何与视频的联合建模

FantasyWorld 的核心创新在于解决了传统视频生成模型缺乏物理一致性的痛点。高德团队提出了一种新颖的架构：在冻结的视频基础模型骨干上，增设一个可训练的几何分支。这种设计实现了“视频潜变量”和“隐式 3D 场”的联合建模，且仅需一次前向计算即可完成，极大地提升了推理效率。

这一技术突破使得 FantasyWorld 在生成视频时，不仅能保持极高的视觉真实感，还能确保多视角下的一致性和几何保真度。即使在面对 180° 旋转等极端视角的物体形状与纹理保持上，其表现也远超近期的其他几何一致性方法。模型生成的 3D 潜变量可直接解码为深度图或点云，为下游任务提供了即插即用的 3D 数据支持。

图源备注：图片由AI生成

权威评测与开源计划

作为由斯坦福大学李飞飞团队主导的统一世界生成基准，WorldScore 涵盖了静态场景、动态场景、可控性及一致性等多维度的严苛评估。FantasyWorld 在该榜单上以综合得分第一的成绩强势登顶，特别是在静态世界得分（78.55）和动态世界得分（66.89）等关键指标上，超越了多家国内外知名模型。

学术界的认可紧随其后，相关论文已被 ICLR2025、NeurIPS2025 等顶级 AI 会议收录。高德方面已明确表示，将于近期开源该模型，此举预计将大幅推动学术界与产业界在 3D 世界构建领域的合作与创新。

从飞行街景到具身智能

FantasyWorld 的商业价值已在高德地图的“飞行街景”功能中初现端倪。商家只需上传几段简单的手机视频，模型即可低成本、快速地生成高保真的 3D 虚拟漫游街景。这种“技术平权”不仅让普通商家拥有了展示空间细节的能力，也为用户提供了身临其境的预览体验。

更长远的布局在于具身智能。随着自动驾驶向端到端视觉语言行动（VLA）方案演进，追求物理真实性的世界模型变得至关重要。高德内部已成立具身业务部，探索机器人、机器狗等方向，利用 FantasyWorld 在空间智能上的优势，加速从数字地图服务商向物理 AI 领军者的转型。