连拿四个第一力压Genie 4和Atlas！中国团队造出真物理世界模型

谷歌DeepMind发布实时世界模型Genie 4，实现每秒24帧实时生成、单帧延迟低至40毫秒、2分钟连贯记忆，可同时运行16路UR5机械臂仿真画面。李飞飞团队World Labs推出全模态世界模型Atlas，凭一两张参考照片还原精细3D空间并生成1分钟1440p漫游视频。但主流世界模型生成的三维场景虽逼真，却缺少底层刚体力学计算，画面中的纸箱算不出阻力和重量分布，洗衣机门没有铰链碰撞反馈，机器人训练时会出现穿模，无法真正练出本事。

大晓机器人联合南洋理工大学S-Lab发布面向具体环境构建、可探索、可交互的世界模型Mundo。它将3D场景重建、物理仿真与视频生成融为一体，结合Astra打造空间理解能力。系统用场景代码记录物体物理属性，交由物理引擎计算运动和碰撞，再结合现场照片渲染逼真画面，建成的房间既可视又可用代码或外力推拉碰撞，直接用于训练测试机器人。

在办公室实测中，拍9张照片即可将整间屋子变成可用Python代码操控的物理世界：0.60秒抽屉滑开0.28米；1.90秒0.2千克苹果升至4.2千克显示器前方；3.45秒苹果以每秒13.5米撞向屏幕致其倾斜；5.00秒开启7.5秒“子弹时间”环绕观察。用户还可用鼠标拖垃圾桶、拉椅子0.4米或施加300牛顿冲击力。底层960Hz MuJoCo物理引擎在不同材质和重力条件下给出精准力学计算，橡胶球、篮球、保龄球同高下落遵循真实弹性，落地冲击峰值15.5千牛；保龄球以每秒4.6米撞击瓶区产生55.6千牛冲击力，速度、接触点与冲击力曲线同画面同步。

Mundo采集门槛低，手机拍1至12张照片即可重建三维空间，未拍到的死角按房间结构补齐；仅1张照片也能补全整屋，3张、9张后桌上马克笔、水杯位置分毫不差；输入梵高《夜间咖啡馆》可搭出可走入的3D街景；几十张照片可生成数分钟跨房间漫游长镜头。分段生成每次124帧并保留上段末尾34帧衔接，随镜头自动切换最匹配参考照片。Astra通过“修改代码、投影比对”循环校准物体位置，经Reviewer Agent多视角复核，酒店客房3D框边缘误差从72.3像素降至1.9像素，优于Boxer和SpatialLM。三个核心模块协同：场景代码建模、MuJoCo物理轨迹计算并渲染色块引导画面、Ref2VA视频模型结合原图渲染真实光影。

三维场景标清障碍后，路径规划器用A*算法为机器人规划导航路线，同步生成第三人称跟随和第一视角。机械臂抓取训练只需拍一张摆有红苹果、白碗和书本的木桌照片即可自动生成仿真环境，Franka Panda、Google Robot、Stretch 3、Galaxea R1 Pro和Unitree G1五款机器人均可在此练习抓取，画面同步显示关节角度、物体高度和速度曲线，还可定格开启四维“子弹时间”环绕排查遮挡死角。

团队已在真实商业酒店完成实测：拍一圈多角度照片后，整层酒店大堂、走廊、客房和洗衣房被还原为22万点的数字楼层，人形机器人从大堂自主穿过走廊进入客房，将手提袋放到床上，并进入洗衣房拉开洗衣机门。