李飛飛3D世界模型爆火后，國內首個免費版來了：我當了回「為所欲為」的造物主

還記得前段時間嗎？現在，國產版終于來了。

就在上周騰訊官宣姚順雨加盟的新聞刷屏時，騰訊混元團隊低調上線了世界模型 1.5（TencentHY WorldPlay），這是國內首個開放體驗的實時世界模型。

什么叫世界模型？簡單說：你輸入幾句話或者一張圖，AI 就能給你生成一個可以「走進去玩」的虛擬世界。不是那種只能看的視頻，而是可以用鍵盤、鼠標甚至手柄實時操控的 3D 空間。

根據首幀圖片場景生成的游戲場景

這次有什么亮點：

• 實時的交互生成：通過原創的 Context Forcing 蒸餾方案以及流式推理優化，模型可以按照 24 FPS 的速度生成 720P 的高清視頻；

• 長范圍的3D一致性： 通過重構記憶機制（Reconstituted Memory），模型支持分鐘級內容的幾何一致性生成，可用于構建高質量的 3D 空間模擬器；

• 多樣化的交互體驗： 混元世界模型可廣泛適用于不同風格的游戲或者現實場景，以及第一和第三人稱視角，也支持實時文本觸發事件和視頻續寫等功能。

是不是被這些晦澀的技術名詞繞暈了，APPSO 下面直接帶你玩起來，來創造一些腦洞大開的「世界」。

在線體驗網站：https://3d.hunyuan.tencent.com/sceneTo3D?tab=worldplay

文字→世界，體驗 「 造物主 」 的快感

打開頁面的第一眼，我發現界面做成了一臺復古電視機的樣子。回想我們小時候看電視，只能看央視放什么、湖南臺播什么，遙控器怎么換臺也逃不出編排好的節目單。

但現在不需要等晚上 8 點的黃金檔，不需要等導演拍完，你自己就是這個世界的總導演。想去體驗過山車？打幾個字，生成。想回到千禧年跨年夜？描述一下，出現。

一個極速飛馳的過山車，手握冰涼的金屬扶手，有呼嘯的風灌進喉嚨，一陣失重感突然襲來，還有快速掠過的模糊樹影，以及頭頂刺眼的陽光，第一視角體驗很刺激，寫實風格

點擊生成后，大約等待了 5-8 秒，畫面出現了。第一眼真的有那種坐在過山車第一排的沉浸感。仔細觀察畫面下方的雙手，皮膚紋理、骨節甚至毛孔都清晰可見，紅色座椅的漆面質感與金屬扶手的劃痕也處理得非常真實。

按 ↑ 鍵前進，畫面開始往后倒，好像是反坐過山車，更刺激了。

但視頻后面，兩側的樹影沒有保持住，變形嚴重，不過考慮到實時生成的難度，可以理解。

一輛狂飆突進的雪地摩托，凍得發麻的金屬車把攥在掌心，鋒利的雪粒砸進臉頰，一陣失重感猛地翻涌上來，還有飛速掠過的模糊林影，以及頭頂冷冽的碎雪天光，第一視角體驗

畫面生成后，我發現自己處于一個「定格瞬間」，周圍的雪、林影、天光都是靜態的，就像按下了暫停鍵。我可以自由轉動視角，仔細觀察這一刻揚起的雪花、這一刻的天空、這一刻金屬車把上的霜痕。

起初我以為這是個 Bug，但仔細一想，有點像你剛剛穿越到一個新世界，時間在這一刻凝固，你可以從容不迫地打量周圍的一切細節。

從技術角度看，可能是因為模型難以處理「第一視角+高速運動」場景。雖然不是我預期的「騎著摩托飆雪」的動態體驗，但這種凍結瞬間的探索，反而能讓人更清晰地感受到 AI 生成的 3D 空間質感。

一個熱鬧的千禧年跨年夜場景，街頭有磁帶攤，人們舉著彩色氣球圍在廣場倒計時，路邊門店的 CRT 電視播放著跨年晚會，突然綻放的煙花照亮夜空，復古風格

如果你是 80 后、90 后，這個場景絕對值得一試。畢竟，在智能手機還沒普及的千禧年，沒幾個人能留個視頻做記錄。

當鏡頭從磁帶攤轉向右側的建筑，場景中的物體保持了良好的相對位置關系。路燈、人群和電視機都沒有出現明顯的漂移或錯位，證明模型對三維空間的理解還是不錯的。

但模型在處理磁帶架時，會出現典型的 AI 粘滯感。遠看色彩豐富，近看則缺乏銳利的邊緣。向上仰望右側建筑時，建筑的細節顯得非常「軟」，看起來更像是涂抹的油畫，而不是具有堅硬物理結構的固體。

測完了懷舊風，我想試試自己做夢都想住的海景豪宅。

房間的主色調是淺藍與白沙色，地面鋪著仿貝殼肌理的啞光瓷磚，窗邊有個淺灰色的亞麻沙發。落地玻璃窗沒有任何遮擋，將窗外的海景框成一幅流動的畫

這是一段接近 180 度的全景掃視。模型在處理大跨度的視角切換時，窗框、立柱和天花板的直線條沒有發生扭曲，表現出了極佳的三維空間一致性。

雖然咱買不起海景房，但至少可以在 AI 生成的世界里躺平一會兒（笑）。萬一哪天實現了，也可以用它預覽下裝修效果。

讓千里江山「活」起來

除了文字生成，混元世界模型還支持「單圖生成場景」功能。但在上傳圖片之前，有幾個注意事項：

• 檢查分辨率： 1280×704 ~ 4k×4k。如果是專業相機拍攝的幾十兆的大圖，請降低畫質或縮小尺寸到 10MB 以下。

• 避開豎屏圖： 手機拍攝的縱向照片不符合要求，建議裁剪成橫向。

  
  

視頻續寫：根據首幀圖片場景生成

搞定這些后，我做了個大膽的嘗試：上傳了一張《千里江山圖》的局部。

對，就是那幅北宋天才少年王希孟 18 歲時畫的青綠山水、層巒疊嶂。我想看看，硅基智能能不能讀懂千年前的碳基美學。

畫面生成完畢。這完全超出了我的預期：

AI 很好地保留了原畫的風格特征，3D 化處理沒有破壞中國畫的意境，像我真的穿越回了北宋，站在王希孟當年寫生的那片山水里。

這說明世界模型可能讓藝術不再只是「被欣賞」，而是可以「自由游覽」 。

實時觸發事件

世界模型最吸引人的地方在于，你只需要說一句話，等 5 秒鐘，世界就按你的意愿改變了。

別再說「沒招了」，來這里過一把霸總癮。

不是「切換場景」式的跳變，而是平滑過渡的。天色從亮到暗的漸變過程，光影變化的細膩程度，都讓人感覺這個世界「活」了起來。

爆炸產生的高亮度橙色火光實時地反射在水面上，效果非常自然，不過細看之下還是會有些小瑕疵。

比如在如此巨大的爆炸發生后，近處的水面竟然沒有任何波動。要知道在真實物理世界中，劇烈的空氣膨脹會改變水面的狀態。

看完實測，相信你和我一樣好奇：技術上是怎么做的？

騰訊混元團隊的技術報告提到，傳統的擴散模型（Diffusion Model）生成視頻時，需要先完整地去噪整個畫面，然后再輸出。這就導致了兩個問題：一是延遲高，二是無法實時響應用戶操作。

這次采用了流式 DiT （擴散變換器）架構，能像流媒體一樣，邊接收用戶的實時手柄控制信號，邊瞬間去噪并解碼成畫面。這種設計保證了極低的延遲，讓你在操控視角時感覺不到卡頓。

世界模型最大的問題是「健忘」，你讓它生成一個客廳，它生成了；轉走再回來，它又生成了一個全新的客廳，跟剛才那個完全不一樣。

Context Forcing 機制的作用，就是強制模型「記住」之前生成的場景細節。簡單說，就是給模型加了一個「短期記憶」，讓它在生成新畫面時，能參考之前的幾何結構、光影關系、物體位置，從而保證長時間的 3D 一致性。

測完混元世界模型，我腦子里一直回響著李飛飛的那句話：「人類智能的核心不是語言，而是對三維空間的理解和操作能力。」

過去兩年，大語言模型（LLM）火爆全球，ChatGPT、Claude、Gemini 讓我們驚嘆于 AI 的語言能力。但冷靜下來想想：會聊天的 AI，真的理解世界嗎？

它不知道一張桌子有多高，不知道從客廳走到廚房需要轉幾個彎，不知道一個杯子掉在地上會如何碎掉……

語言智能，讓 AI 學會了「說」；空間智能，才能讓 AI 學會「做」。

這就是為什么 Google、Meta、OpenAI、騰訊都在押注世界模型。它不是一個更酷的視頻生成工具，而是通往通用人工智能（AGI）的關鍵一步。

《我的世界》（Minecraft）剛發布時，很多人覺得「這有什么好玩的？」

十幾年過去了，Minecraft 成了全球最成功的游戲之一，不是因為它擁有頂尖的畫質與特效，而是因為它給了玩家創造世界的自由。

世界模型現在的流暢度、交互深度都還有提升的空間。但它給了我們一種關于未來的想象：每個人都能成為造物主。

親自試試，然后回來告訴我，你創造了什么樣的世界。

福利掉落！想把 2026 年的每一份溫暖都捧在手心嗎？只 需在評論區留言，就有機會參與抽獎！我們將送出5 份【2026 元寶心語日歷】，陪你開啟元氣滿滿的一年。快來接好運吧！

歡迎加入 APPSO AI 社群，一起暢聊 AI 產品，獲取，解鎖更多 AI 新知

我們正在招募伙伴

簡歷投遞郵箱hr@ifanr.com

?? 郵件標題「姓名+崗位名稱」（請隨簡歷附上項目/作品或相關鏈接）