在最近的2025世界人工智能大会（WAIC）上，腾讯突然放了个“王炸”，正式发布并开源了旗下「混元3D 世界模型 1.0」。
据了解，相较于以往，此次发布的「混元3D世界模型」最大的不同在于，这是业界首个开源可沉浸漫游、可交互、可仿真的世界生成模型。按照腾讯的说法，用户只需输入一句话或一张图，就能在几分钟内生成一个完整、可360度沉浸式漫游的3D世界。
在混元大模型官网，官方展示了几个例子。
比如通过上传一张画着一棵树、一艘船以及几栋建筑的原始图片，就能够快速生成一个包含小树、大海、蓝天白云、城镇等丰富要素的海滨小镇。
又比如，通过一段简短的文字描述，生成了一个布满珊瑚、鱼群以及海底城市的水下世界。整体来看，无论是作为主体的海底城市，还是周围的生态环境分布、光照等元素，构筑得都较为完整，算是较好地还原了文字描述的内容。
除了以上两个例子，官网还展示了许多其它的3D世界模型，包括小镇、雪山、火山等等，且这些模型的美术风格也较为多样，涵盖了油画、卡通、写实、水墨等等风格。
值得一提的是，这些生成的3D世界，均允许用户自由拖动视角进行360度观察，并导出为全景贴图以便在游戏、仿真或视觉引擎中使用。
回顾3D生成大模型的发展，从生成单个3D资产，到如今一句话构筑完整的3D世界，3D创作的门槛正在以肉眼可见的速度在下降。
实际用起来怎样？
随着混元3D世界模型正式发布，腾讯也面向所有人开放了试用体验。
在实际体验后，我发现该模型的「3D生成」能力主要有两个特点：
一是对文字或图像的理解能力较强。
在试用的过程中，我主要采用的是「文生全景」的方式。我发现即便我故意以一种非常不直白的方式来阐述自己想要的3D世界，混元模型还是能够较为准确地理解文字的含义，并生成一个大体符合我要求的全景。
比如在我要求混元模型生成一个类似武侠小说中肃杀凄凉的场景时，我给出了如下一段长文字，其中加入了大量对场景细节的艺术化表达，用于干扰模型的理解，包括“枯草低伏”、“残阳如血”、“无声的锋芒”等等。
「朔风卷过死寂的荒原，枯草低伏，呜咽作响。残阳如血，将锈蚀断剑与焦黑枯树的影子拖长，斜插在龟裂的硬土上。几具森森白骨半掩于风化的黄沙中，散落的破碎甲片闪着冷光。一只秃鹫盘旋于铅灰色的低垂天幕，发出断续嘶鸣。空气里弥漫着铁锈的腥甜与尘土干燥的呛人气息。一面残破的战旗挂在光秃的旗杆顶端，被风撕扯出裂帛般的声响。远处，风沙漫过嶙峋的乱石岗，发出沙沙的低吼。天地间唯余一片枯槁、冰冷与无声的锋芒。」
然而，从实际情况来看，混元模型算是较好地理解并抓住了以上文字的要点，一些关键性的要素，比如残阳、秃鹫、枯树、白骨、战旗等，都在生成的全景图里有所体现。同时，整个场景的氛围虽说刻画得不算完美，但也大体符合我原本“肃杀、凄凉”的要求。
当然，或许是模型吞噬的数据还不够多，我发现在要是向它描述一些现实中没有明文规定，但大家都约定俗成的定义时，混元模型的理解就容易走偏。
比如大多数人都能理解的「原神美术风格」，在我要求它以《原神》的美术风格，生成一个带有植被生态、中世纪教堂建筑以及以及遗迹残骸的城镇时，混元模型就给出了一个离我预期相差较远的全景图。
且不说细节能不能构筑出来，单单是美术风格就没能过关。能看得出来，混元模型其实并不理解所谓的「原神美术风格」。
虽然对一些定义的理解还有待加强，但混元模型的第二个特点弥补了这些劣势： 那就是它生成全景图或者模型的速度是真的快。
实际上，以上两次尝试从我输入完文字开始算起，每一个全景图的生成时间即便算上排队，也没有超过1分钟。
至于「图生全景」，同样也很快速。比如我在某次试用时，扔给了模型一张塞尔达传说风格的图片，混元模型同样用了不到一分钟，就生成了一个可360度观看的塞尔达风格全景世界。虽然细节上还有些粗糙，也没有太多的要素填充，但起码美术风格对上了。
需要指出的是，上述的试用生成的都是不可交互的全景图，想要生成可交互的漫游场景需要额外申请资格。两者的区别在于，漫游场景能够允许用户用WASD自由移动，是真正的虚拟3D世界。但从上述演示中不难看出，混元模型在3D世界模型生成方面的实际表现。
怎么实现的？
按照腾讯官方的说法，混元3D世界模型能实现上述效果，核心在于其创新的「语意层次化3D场景表征及生成算法」。该算法能够将复杂的3D世界解构为不同语意层级，实现前景、中景、远景分层生成。
不仅如此，在生成的场景中，用户还能对生成的每一部分，即场景内的元素进行独立编辑或物理仿真，比如前景物体可单独选中、绑定骨骼或添加行为逻辑；天空与地形支持替换或个性化渲染。
