前两天，李飞飞创业公司World Labs发布空间智能模型新成果，并推出可预览和创建3D世界的Marble平台。并发帖子表示她对3D世界生成的进展感到兴奋。
那么这背后都有哪些黑科技？今天分享一篇最新3D、4D世界模型技术最新全面系统性综述
2D 视频生成卷到头了，但真实物理世界天生是 3D+时间维度的。
自动驾驶、『机器人』️、XR、数字孪生都需要几何一致、可交互、长时序的时空场景。
缺乏统一术语 & 碎片化严重：同样叫“world model”，有人指视频生成，有人指预测器，有人指闭环仿真器。
图 1：综述整体框架
本综述首次系统梳理 3D/4D 原生表示（RGB-D、Occupancy Grid、LiDAR Point Cloud）的世界模型，给出明确定义、分层分类法、数据集与评测指标，并开源持续维护。
3D/4D World Model= 在原生三维或四维表示上，生成（Generative）或预测（Predictive）几何合理、语义可控、时空一致的场景， 以支持感知-决策-仿真全链路任务。
图 2：三模态 × 四功能全景图（来源：论文 Figure 2）|
模态 | 代表表示 | 功能角色（4 类） |
|---|---|---|
| VideoGen | 多视角视频流 | ① Data Engine ② Action Interpreter ③ Neural Simulator |
| OccGen | 体素 Occupancy | ① Scene Representor ② Occ Forecaster ③ Autoregressive Simulator |
| LiDARGen | 点云序列 | ① Data Engine ② Action Forecaster ③ Autoregressive Simulator |
各模态深度拆解VideoGen——把视频生成做成“时空编剧”
典型方法时间线（2021-2025）
图 3：VideoGen 代表方法逐年汇总（来源：论文 Figure 3）
Data Engine：MagicDrive、DiVE、DreamForge 等用 BEV/HD-Map 做几何约束，生成多视角长视频，解决长尾数据稀缺。
Action Interpreter：GAIA-1/2、DriveWM、Vista 把“转向+速度”映射到未来帧，实现动作-结果可微分仿真。
Neural Simulator：DriveArena、DreamForge 在闭环里交替“生成-决策”，替代传统游戏引擎渲染管线。
VideoGen模型分类
关键挑战：长时序一致性（InfinityDrive）、多视角几何对齐（DiST-4D）、稀疏标注下的可控性（MaskGWM）。
OccGen——把世界变成“可交互的乐高”图 5：OccGen 三功能分类（来源：论文 Figure 5）|
Scene Representor：SSD、SemCity 用扩散模型把稀疏 occupancy 补全为稠密语义体素，提升感知鲁棒性。
Occupancy Forecaster：OccWorld、OccSora、T3Former 以 ego-action 为条件，预测未来 3s 的 4D occupancy，误差 < 30 cm。
Autoregressive Simulator：DynamicCity、UniScene 支持“布局→时序体素→多传感数据”一条龙，实现可编辑的大型开放世界。
OccGen
关键挑战：细粒度动态物体（自行车、行人）补全、长时序误差累积、与下游规划器端到端联合训练。
LiDARGen——直接“点云编剧”图 6：LiDARGen 三功能分类（来源：论文 Figure 6）
Data Engine：R2DM、LiDM、WeatherGen 用扩散/流匹配生成逼真点云，解决恶劣天气、稀有场景数据不足。
Action Forecaster：Copilot4D、ViDAR 把“历史点云 + 未来轨迹”映射到未来点云，实现点云级别的动作推演。
Autoregressive Simulator：LiDARCrafter、LidarDM 支持4D 点云序列闭环生成，可直接喂给下游检测/规划网络做训练。
关键挑战：保持扫描线结构、处理点云稀疏性、跨模态与图像语义对齐。
统一评测体系——不再“各玩各的”表 14：五类评测指标总表（来源：论文 Table 14）|
Generation Quality：FID/FVD、FRD/FPD、Consistency、Controllability、Human Preference
Forecasting Quality：IoU@1s/2s/3s、Chamfer Distance、Temporal Consistency
Planning-Centric：Open-Loop L2/碰撞率、Closed-Loop PDMS/ADS
Reconstruction Quality：PSNR/SSIM/LPIPS、Novel-View IoU
Downstream：3D Det mAP、BEV 分割 mIoU、VQA Top-1
