http://blog.zjding.com/categories/world-model/Recent content in World Model on zjding'LogHugo -- 0.140.1zhzjding&rsquo;LogThu, 23 Apr 2026 00:00:00 +0800http://blog.zjding.com/posts/260423/Thu, 23 Apr 2026 00:00:00 +0800http://blog.zjding.com/posts/260423/<h2 id="tldr">TL;DR</h2> <ul> <li><strong>Hunyuan（HY-World 2.0）</strong>：纹理最好、3D 资产全栈（Mesh+3DGS、多视图重建）；但几何一换视角就塌、局部物体经不起放大、原图周边会被外扩改写。</li> <li><strong>Marble 1.1</strong>：近景复刻目前市面第一、形状最合理；但远景是 <strong>3DGS 数学意义上的必糊</strong>（原理问题，不是训练能救的），且不做重建。</li> <li><strong>HappyOyster</strong>：首帧复刻度最高、漫游前 20~30 秒沉浸感三家最强；<strong>场景里的人真的会动</strong>；<strong>远景不崩</strong>；但是其交互视频生成指令遵循和物理规则很乱、prompt 毫不起作用。</li> <li><strong>Genie 3（参照项，非自测）</strong>：我没有账号，判断来自 DeepMind 官方说明和公开 hands-on；但它确实把&quot;可交互视频&quot;推到了更像实时仿真的位置：720p / 20~24 fps、几分钟一致性、约一分钟视觉记忆，跳跃、碰撞、回访记忆都能被公开测试拿出来压。</li> <li><strong>一句话</strong>：这篇主线还是 Hunyuan / Marble / HappyOyster 三家自测；Genie 3 更像旁边那根标尺。单帧惊艳已经不是门槛，真正的分水岭在<strong>第二帧之后</strong>——拉远、转视角、连续交互、prompt 改写。现在近景选 Marble，短时沉浸选 HappyOyster，资产管线看 HY-World；如果看下一代 Agent 环境，Genie 3 明显更接近答案。</li> </ul> <hr> <p>2026 年 4 月 16 日和 17 日，腾讯开源了 HY-World 2.0，阿里发了 HappyOyster，两家间隔不到 24 小时。再加上李飞飞 World Labs 的 Marble 1.1 已经迭代到第二个小版本，我把这三款都跑了一遍——同一张罗马斗兽场的照片，一个文本 prompt，一个漫游测试。<strong>得出的结论不是&quot;谁最好&quot;，而是&quot;这三家在做三件不一样的事，把它们放一起比较本身就是误解&quot;</strong>。</p>