HY-World 2.0 / Marble 1.1 / HappyOyster 横评：三家对「世界模型」的三种答案

TL;DR

• Hunyuan（HY-World 2.0）：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。
• Marble 1.1：近景复刻目前市面第一、形状最合理；但远景是 3DGS 数学意义上的必糊（原理问题，不是训练能救的），且不做重建。
• HappyOyster：首帧复刻度最高、漫游前 20~30 秒沉浸感三家最强；场景里的人真的会动；远景不崩；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。
• Genie 3（参照项，非自测）：我没有账号，判断来自 DeepMind 官方说明和公开 hands-on；但它确实把"可交互视频"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。
• 一句话：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，真正的分水岭在第二帧之后——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。

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。得出的结论不是"谁最好"，而是"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"。

「世界模型」这个词在 2026 年 4 月已经指三件不同的事

先把赛道分清楚，后面所有对比才站得住。

HY-World 2.0 输出的是 3DGS + Mesh 混合 3D 资产，直接导入 Blender / Unity / Unreal Engine / Isaac Sim。整个四阶段流水线（HY-Pano 2.0 → WorldNav → WorldStereo 2.0 → WorldMirror 2.0）的终点是一个可以放进游戏引擎的文件。

Marble 1.1 输出的是 Gaussian Splat 或 Mesh，也能直接下载，但产品逻辑是创作者工具——它配了一个叫 Chisel 的混合 3D 编辑器，让你先用方块拉出空间结构，再让 AI 填视觉细节。结构与风格解耦。

HappyOyster 输出的是视频。更准确地说，它输出的是一段可以用 WASD 键盘交互控制的视频流。你给它一张图和一个 prompt，它给你一个可以一人称漫游的"世界"——但这个世界不是 3D 模型，是不断生成的下一帧画面。

Genie 3 我没有自测，所以不把它硬塞进同一张成绩单里。但它必须被提一下：公开材料里它不是在交付 3D 资产，也不只是生成一段短视频，而是在生成一个可以实时探索、能维持几分钟一致性的环境。换句话说，HappyOyster 像"给内容创作者玩的交互视频"，Genie 3 更像"给 Agent 用的实时训练场"。

前三家的输出物差异，不是工程细节，是对"世界模型该交付什么"这个问题给出的三种不同答案。Genie 3 暂时不参与这张实测表，但它让这件事更明显：世界模型已经同时分叉成资产、创作工具、内容体验和训练环境四条路线了。

graph LR
    subgraph 持久化3D资产["持久化 3D 资产（引擎友好）"]
        A1[HY-World 2.0] -->|"Mesh + 3DGS"| AE[Unity/UE/Blender]
        A2[Marble 1.1] -->|"3DGS / Mesh"| AE
    end
    subgraph 流式交互视频["流式交互视频（消费级）"]
        B1[HappyOyster] -->|"视频帧 + WASD"| BP[浏览器播放]
    end
  

押这两条路的隐含判断完全不同。3D 资产路线认为"世界 = 几何 + 纹理，生成完就该能被传统引擎消费"；视频流路线认为"世界 = 时间序列上一致的画面，3D 几何是实现细节而不是产品形态"。谁对，取决于未来主要的消费场景是"游戏和虚拟制片"还是"可交互内容"。

一个大家都认识的东西：罗马斗兽场

为了让对比公平，我上网找了一张高清图片，选了一张大家都熟悉的场景——罗马斗兽场内部全景。

测试开始就撞上 HY-World 2.0 的第一个硬约束——它不接受含角色的输入图。前端直接拦截，不让上传。这不是产品限制，是技术诚实：HY-World 2.0 主干走的是 3DGS 路线，训练数据里是静态环境，动态角色不在分布内。真让人站进去，只能被冻成扭曲的雕塑——腾讯选择前端拒绝，而不是"试试看出事再说"，这在工程上是合理的。

但是影视场景里，以及各种业务场景中一定有人，只好换一张没人的外部鸟瞰作为腾讯的输入：

文生世界：纹理和形状是两件事

先说一个反直觉的观察：在纯文本生成场景下，Hunyuan 的纹理密度明显强于 Marble，但 Marble 的物体形状正确性更强。

在此之前，我首先用 Hunyuan 生成一个"一个充满了障碍和杂物的房间"的 prompt：

石墙的风化纹理、火把的暖光衰减、金属器物的反光层次——这是图像模型血统的直接体现。乍一看是不是很好，但是我们仔细看看会发现很多物体形状是扭曲的：

再看同一风格下 Hunyuan 生成的斗兽场外部——从侧上方和正上方两个视角：

纹理是真好看，但几何一换视角就崩。这就是"图像模型血统"的代价——第一帧惊艳，转一圈原形毕露。

这是 world marble 的：

图生世界：近得惊艳，远得崩溃

图生世界是个完全不同的能力轴。在这个轴上，Marble 近景的还原度是目前市面上最好的，可以说一骑绝尘

对比前面那张原图，几何结构对得上，观众蓝衣分布、石材风化纹理、拱门分层都保留下来了。室内小场景的 PPT 级展示完全够用。

但把同一个 Marble 世界拉远到全景视角：

这不是 Marble 训得不好，是 3DGS 的数学本质决定的。HoGS 论文（arXiv 2503.19232）把这件事讲得很清楚：由于透视投影，距离相机较远的大物体在像平面上只占极小的区域；无边界场景在欧式空间可以横跨任意尺度，使得 3DGS 很难在保持可观察尺寸的同时把高斯核优化到远处。

翻译成人话：3DGS 给每个高斯核分配"视觉像素预算"的方式决定了远处物体会持续亏损——越远越模糊，是原理问题，不是模型不够努力。

所以当前所有基于 3DGS 的世界模型都有这个问题。我测 Hunyuan 的图生世界同样会糊远景，只是它的"糊"分布不同——因为它会主动做场景外扩（从单视图→ 360° 全景→关键帧扩展），远景的信息来源是"编造"而不是"压缩"。

HY-World 2.0 复刻那张外部鸟瞰图：

建筑整体轮廓对得上，但周边的道路车辆和更远的建筑都被重新编造过一遍。这是场景外扩的双刃剑——给你一个完整可漫游的世界，代价是原图里没拍到的部分它自己编，而且原图已经拍到的区域也会被改动。

数字孪生用不了。但游戏关卡随便用。

世界重建：只有一家在做，但还用不起来

Marble 不做重建，只做生成。HappyOyster 也不做——它的"图生"本质是把图当作视频首帧。只有腾讯在同一个模型里同时做了生成和重建（WorldMirror 2.0 这个模块单独可用）。

这是腾讯路线非对称的优势。多视图/视频 → 3DGS 场景这件事如果做好了，对影视行业是降维打击：实景勘景拍一段素材，直接重建成 3D 场景，后续镜头全在数字孪生里生成——解决"同一场景跨集一致性"这个网剧行业最大的痛点。

但腾讯今天还做不到。WorldMirror 2.0 开源刚一周，复杂室外场景的鲁棒性明显低于论文 demo。实测下来的状态是"潜力很大、目前不能用"。

空气墙，或者纯粒子

Hunyuan 生成的 3D 世界有空气墙。Marble 生成的没有。

这不是工程细节，是架构哲学的分歧。

Hunyuan 原生输出 3DGS + Mesh 混合，Mesh 负责碰撞和物理边界，自带的 WorldLens 渲染平台有"efficient collision detection"——character mode 下操控角色会撞到物体、走不穿墙。这就是空气墙。

Marble 主要输出 3DGS（PLY 格式），也能导出 Mesh（GLB），但是双资产策略：PLY 存视觉，GLB 存碰撞，默认查看器里是纯粒子形式，没有 runtime collision。想要碰撞？自己拿 GLB 在 Unity 里 setup。

graph TB
    subgraph Hunyuan路线["Hunyuan：自顶而下"]
        HW[世界] --> H3[3DGS
视觉]
        HW --> HM[Mesh
碰撞+光照+物理]
        H3 & HM --> HE[引擎开箱即用
但空气墙固化创作边界]
    end
    subgraph Marble路线["Marble：解耦"]
        MW[世界] --> M3[3DGS
主表征
视觉最大保真]
        MW --> MM[Mesh
按需导出
辅助资产]
        M3 & MM --> ME[视觉上限更高
需要用户理解双资产工作流]
    end
  

行业趋势实际上在逼迫两家收敛。KIRI Engine 已经在推 Mesh-Inclusive 3DGS；Khronos Group 2026 年 2 月公布了 KHR_gaussian_splatting glTF 2.0 扩展，把 3DGS 作为 mesh primitives 的一部分规范化，预计 Q2 ratify——这实际上是给整个行业下了一个判决书：未来标准化的 3DGS 必然带 Mesh。

短期看，Hunyuan 更实用，Marble 更艺术。长期看，两者都要走向 hybrid，但 Hunyuan 已经在产品形态上走在了前面。空气墙不是缺点，是未来 12 个月的行业方向。

阿里为什么做了一个完全不同的东西

如果你看懂了 3DGS 路线，再看 HappyOyster 会很困惑：它为什么完全不做 3D 资产？

答案是阿里 ATH 事业群郑波团队。他们 4 月 7 日匿名上榜 Artificial Analysis Video Arena 文生视频第一（Elo 1389），4 月 10 日认领模型叫 HappyHorse——开源的 SOTA AI 视频模型。10 天之后，HappyOyster 发布。

两个产品共享同一个 Transformer 架构内核：40 层统一自注意力，text/image/video/audio 四类 token 进同一条流，DMD-2 蒸馏让 1080p 视频 8 步去噪、38 秒生成。HappyOyster 不是阿里做的"3D 资产生成器"，是阿里把 HappyHorse 这个最强视频模型包装成"可交互世界"的结果。

用户实测的两个观察完美对上了这个血统：

第一，图生世界的"视频"完全就是静态视频——因为 HappyOyster 把输入图当作视频首帧，没有做 3D 重建，所谓"图生世界"就是生成一段视角不动的视频。这是架构必然，不是 bug。

第二，漫游模式里人物一致性出奇地好。漫游本质是"交互式视频生成"，WASD 操作就是"在线注入的条件变量"——角色一致性直接继承自 HappyHorse 的训练积累。

HappyOyster 的生成效果相当惊艳——首帧复刻度比 Marble 还高（这是视频模型的本命：学"怎么生成接近输入图的下一帧"）；漫游的首轮 20~30 秒里，建筑几何、人群分布、光影走向都对得上，而且场景里的人真的会走来走去——不是静态贴图的人偶，是有动作、有朝向变化的视频级别活人，第一次见到的时候把我家孩子吓哭了。

另一个意外优点：远景没有大的崩坏。Marble 那种 3DGS 数学塌陷在 HappyOyster 里不存在——因为它根本不是 3DGS 重建，它就是在生成视频帧，远处的斗兽场外墙该怎么渲染就怎么渲染，和近处用的是同一套像素预算。代价是这个远景你走不过去，视角固定在原位——不会崩，但也不会变近。

问题不在"生成"，在**“交互”**。

第一种崩塌：实时漫游的物理不收敛。连续交互超过一分钟开始失控——撞墙、穿墙、物理反馈乱飘、走进同一个走廊两次出来会是不同的房间。阿里官方宣传说"支持 1 分钟以上不崩塌"——1 分钟，不是 10 分钟。

第二种崩塌：prompt 改写功能几乎不可用。 给大家看个搞笑的（见下图） HappyOyster 在界面里放了 “Add Vehicles / Add Light & Shadow / Turn to American Cartoon” 几个预设按钮，也允许自定义 prompt（比如"唐老鸭出场"）。实测这条路几乎废。

这是视频流架构的结构性缺陷：帧和帧之间没有 3D 锚点，所以 prompt 一改整帧都在重生成——人物身份、衣服、手性、场景比例同时漂走。3D 资产派（Hunyuan / Marble）不会有这个问题，因为他们改的是几何和材质，不是像素。这条裂痕解释了为什么阿里在官方视频里只演示漫游、几乎不演示 prompt 改写——这个功能还没到能上线推广的程度。

阿里选的是一条和腾讯、Marble 都不正面竞争的路线。它不做 3D 资产，做"可交互的长视频"。护城河是 HappyHorse 的人物一致性+音画同步，目标客户是 C 端创作者，不是游戏开发者或 VFX 公司。

放进落地流程：三家该怎么选

这张表回答的是"谁在哪个能力轴上赢"。但真到项目里，问题会变成另一句：我到底要交付什么。

如果按交付物重新排，三家就不再像同一个排行榜里的选手，而像三种完全不同的工具。这里我额外把 Google DeepMind 的 Genie 3 放进来做参照——它不是本文实测对象，我没有账号，下面对它的判断主要来自 DeepMind 官方说明和少数拿到内测资格的人发出来的 hands-on 结果。

这个免责声明很重要。前三个产品我至少自己跑过，知道哪些地方是"demo 好看但手一碰就塌"。Genie 3 我只能看别人怎么测：有人用恐龙森林、毛毡蜗牛、伊斯坦布尔街猫这类场景去压它，重点不是看画面有多美，而是看快速转视角会不会丢背景、连续跳跃会不会穿模、角色动作会不会滑步、离开再回来世界还记不记得原来的结构。

从这些公开测试看，Genie 3 强得有点离谱。DeepMind 官方说的是 720p、20~24 fps、几分钟连续交互、约一分钟视觉记忆；hands-on 里更关键的是另一件事：它已经不像传统视频模型那样"看起来在动"，而是开始有可测试的物理反馈——蜗牛会被石头挡住，猫能连续跳上箱子，角色不会轻易穿墙，动作也不是简单平移贴图。这个级别的交互稳定性，和我测 HappyOyster 时那种一分钟后开始空间漂移的感觉，不在一个段位。

但 Genie 3 也不是游戏引擎。公开材料里反复出现的限制是：动作空间还很窄，复杂抓取、对话、多智能体互动都不成熟；真实地点不能精准复刻；文字渲染仍然弱；连续交互是"几分钟"，不是"一晚上挂着不崩"。所以它最可怕的地方不是今天能不能替代 Unity，而是它把"世界模型是否能成为 Agent 训练场"这件事从概念拉到了可测状态。

换成更朴素的项目语言：

横向看一眼就能看出三家的能力只有部分重合：

• Hunyuan 的高分集中在"纹理+3D 资产+多视图重建"这一列——图像模型血统加上 Mesh 架构的双重收益。但形状弱、保真低、外扩改原图三项同时挂红，意味着一旦换视角或要求精准复刻，它的表现就骤降。
• Marble 的高分集中在"形状+近景复刻"——3D 先验带来的几何一致性。但远景必糊、不做重建是数学层面的硬约束，不是训练不够就能解决的（如果能和 hunyuan 结合一下就好了🤣）
• HappyOyster 的高分集中在"重建度高（模型有点聪明的）+漫游惊艳"——视频模型直接把输入图当起点，最接近"所见即所得"。但还只是demo，主要是其实时视频生成更是毫无逻辑性可言，第一次用的时候直接开始感觉无聊了，还好后来试了试了其他的。

Genie 3 放在这里的意义不是"第四家参赛"。它更像一根标尺：当视频流世界模型不再服务内容创作者，而是服务智能体训练时，产品形态会变成实时环境模拟器。HappyOyster 还在 C 端内容这边，Genie 3 已经站到 AGI 训练场那边了。

这也是为什么我觉得 Genie 3 很强。它没有解决 3D 资产问题，但它绕开了 3D 资产问题：不先生成世界再渲染，而是每一帧根据动作继续生成世界。传统 3D 派会说这不是"真世界"，但如果一个 Agent 能在里面走、跳、撞、探索、完成目标，那么从训练环境的角度看，它已经足够像世界了。

三家不是"谁更好"，是把同一个 benchmark 拆到不同的维度上，各自赢下了其中两三项。没有任何一家在超过一半的维度上领先，这是一个"能力剖面完全互补"的局面，不是"谁接近理想"。

第一，HoGS 什么时候进产品。远景衰减是 3DGS 的数学限制，学术界已经有解（齐次坐标高斯），谁先把它吸收进生产模型，谁就在"大场景"这一局里翻身。

第二，KHR_gaussian_splatting 的标准化进程。一旦 glTF 2.0 扩展在 Q2 ratify，3DGS+Mesh 混合就成为事实标准。Hunyuan 路线变成默认，Marble 必须内化 Mesh 生成。产品形态会快速收敛到 hybrid。

第三，视频流派是否反向吞并 3D 资产派。 HappyOyster 今天只输出视频，但其兄弟 HappyHorse 架构是原生多模态的——理论上可以扩展到原生输出 3D token。如果阿里 将这两者融会贯通了，而且人物一致性保持，那对 Marble/Hunyuan 是最大的威胁。

生成速度这个问题反而不关键。腾讯论文自报 12 分钟/场景，用户实测"慢得受不了"——这不是谁说谎，是"benchmark 时间"和"创作者真实等待时间"是两个不同的时间。三家今年都会把这个指标优化一个数量级，秒级生成在 2027 年会是 baseline。

总结：三种效果剖面

从效果这一个维度看下来，三家做出来的是部分重叠的雷达图：

• Hunyuan：纹理、光影、氛围感还行；但是几何理解弱、局部物体（笼具、刺球、楼梯梁木）完全经不起放大。
• Marble：形状和结构最接近原图，近景绝对市面第一！！！远景是 3DGS 数学意义上的必糊，而且是原理性的。
• HappyOyster：首帧复刻度三家第一；漫游前 20~30 秒沉浸感最强，场景里的人物真的会自然活动（给孩子吓哭了😭）；并且远景不糊、不崩。但交互超过一分钟后物理、空间一致性全部失控，prompt 改写功能（“唐老鸭出场”）因为缺 3D 锚点直接把整帧重生，脸、手、比例一起漂走。
• Genie 3（公开测试参照）：它不解决资产导出，但公开测试里已经能把"实时交互、短时记忆、基础物理反馈"这几件事放到同一个世界里测。这个强度很夸张，强在它不是多给你一段好看的视频，而是让世界开始对动作有反馈。

如果只看我实测的三家，三个能力剖面没有交集：Hunyuan 赢纹理输几何，Marble 赢近景输远景，HappyOyster 赢首帧和沉浸感、输交互一致性（但是感觉做的很不错了）。横着看，没有一家在超过一半的维度上领先，大家都有各自的押宝。Genie 3 则是另一条更激进的线：不先把世界做成资产，而是直接把世界当作可持续生成的交互过程。

单帧惊艳已经不是门槛了。三家都能给你一张能发朋友圈的图。真正的分水岭是在第二帧之后——拉远、转视角、连续交互、prompt 改写、离开再回来世界还记不记得原来的结构——这些维度上，三家全都还有明显的结构性缺陷，只是缺陷的位置不一样。而 Genie 3 之所以值得单独拿出来说，就是因为它把这些"第二帧之后"的问题推进到了可公开讨论、可公开压测的阶段。

延伸阅读

• HY-World 2.0 技术论文（腾讯混元）
• Tencent-Hunyuan/HY-World-2.0 · GitHub
• Marble: A Multimodal World Model · World Labs
• Genie 3: A new frontier for world models · Google DeepMind
• Genie 3 · Google DeepMind 模型页
• Google Genie 3 Hands-On: We Tested the “GPT Moment” for AI Interactive Gaming
• HoGS: Unified Near and Far Object Reconstruction via Homogeneous Gaussian Splatting · arXiv
• Alibaba 认领匿名模型「欢乐马」—— 爱范儿
• Alibaba HappyOyster AI World Model 官方
• KHR_gaussian_splatting glTF 2.0 extension · Khronos Group