文章详细介绍了腾讯混元最新发布的 HunyuanWorld-1.0 3D 世界模型，该模型是首个开源且兼容传统 CG 管线的可漫游世界生成模型。它融合了视频驱动和三维驱动方法的优势，能够依据文本或图像输入生成沉浸式、可探索、可交互的 3D 场景。技术亮点包括 360°沉浸体验、工业级兼容性（支持导出标准 3D 网格格式）和原子级交互（物体可分离）。模型核心技术框架包含全景世界代理生成、基于语义的世界分层与分层世界重建，并针对全景图生成中的挑战提出了高程感知增强和环形去噪策略。此外，文章还介绍了长距离、世界一致的漫游拓展技术，并通过 VR、游戏开发、物体编辑和物理仿真等应用场景展示了该模型的巨大潜力。

---

src="https://api.eyabc.cn/api/picture/scenery/?k=24390ddc&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_jpg%2F9u3YmmgmjbRK4y6VBVpA6iatNS7vaLBFqrEor4HtZrOcBbaDLbbzjnxSJvQ9dfHFUjsHia3FetUPQaOibR3lp6FmQ%2F0%3Fwx_fmt%3Djpeg">

7 月 27 日腾讯混元正式发布混元3D世界模型 1.0，并全面开源，并于当天公开了模型的技术报告，很快引起热议，论文今天在大模型开源社区HuggingFace的热门趋势榜上排名第一。

同时，在X上的官宣帖子当天即获得超过100万的关注。

这是首个开源并且兼容传统CG管线的可漫游世界生成模型，为游戏开发、VR、数字内容创作等领域带来了全新的可能性，更重要的是，它让普通人也能轻松创造属于自己的3D世界。

• 论文链接：https://arxiv.org/abs/2507.21809
  

• Hugging Face 模型：https://huggingface.co/tencent/HunyuanWorld-1

• Github 项目：https://github.com/Tencent-Hunyuan/HunyuanWorld-1.0

• 项目主页：https://3d-models.hunyuan.tencent.com/world/

• 体验地址：https://3d.hunyuan.tencent.com/sceneTo3D

引言

从文本或图像生成沉浸式且可交互的3D世界，是计算机视觉与图形学领域的核心挑战。现有世界生成方法主要分为两类：

• 视频驱动方法 ：想象一下制作动画片，传统的视频生成方法就像是一帧一帧地画画。虽然能画出丰富多彩的内容，但存在缺乏3D一致性、逐帧渲染成本高昂、无法与现有3D建模工具兼容等致命问题。

• 三维驱动方法 ：直接生成3D形式的世界场景，而不是视频序列帧。这种方法虽具备更好的3D结构的一致性，却受限于3D训练数据稀缺与3D表征内存效率低下等问题。此外，现有3D生成方法往往将场景表示为一个整体，无法对场景中的物体进行单独交互。

技术亮点

混元3D世界模型1.0（HunyunWorld-1.0）是融合两类方法优势的创新框架，能够依据文本或图像输入生成沉浸式、可探索、可交互的3D场景。

• 360°沉浸体验 ：通过全景图将复杂的3D世界高效地表征为360度覆盖的2D图像代理，为后续生成完整的3D世界建模提供了丰富的空间信息；

• 工业级兼容性 ：生成的世界场景支持导出标准的3D网格格式，能够无缝导入现有3D建模软件和主流游戏引擎，用于二次开发；

  
  

• 原子级交互 ：通过物体解耦的3D建模方式，生成物体和背景可分离的3D世界，支持精准的物体级交互控制，提升了生成世界的操作自由度。

  
  

HunyunWorld-1.0采用生成式架构，结合全景图像合成与分层3D重建技术，实现了高质量、沉浸式的可漫游3D场景生成。该模型通过语义分层的3D场景表征与生成算法，同时支持"文生世界"和"图生世界"两种生成方式。主要技术框架包括三部分，即全景世界代理生成、基于语义的世界分层与分层世界重建。

3D全景代理生成

3D全景可以捕获场景的360°视觉信息，可通过等距柱状投影（ERP）转化为全景图像，这使其成为3D世界生成的中间媒介。HunyunWorld-1.0正是通过文本或图像条件生成全景图，作为驱动3D世界生成的代理媒介。

HunyunWorld-1.0的全景生成基于扩散变换器（Diffusion Transformer, DiT）框架，同时支持输入文本和图像生成3D全景

• 文本到全景生成 ：将文本输入（prompt）通过文本编码器（TextEncoder）转化为扩散模型的输入条件。

• 图像到全景生成 ：将输入图像投影至全景空间，并通过变分自编码器（Variational Autoencoder, VAE）将其编码至潜在空间（LatentSpace）得到条件图像的潜在表示（LatentTokens）。该潜在表示会与随机噪声的潜在表示（Noisy Latent）拼接，输入扩散模型进行去噪，生成最终的3D全景世界代理。

相较于通用图像生成，全景图生成面临两大独特挑战：球面投影导致的几何畸变以及全景拼接引发的边界不连续问题。针对上述挑战，HunyunWorld-1.0引入两项关键策略：

• 高程感知增强（Elevation-Aware Augmentation）：在训练阶段，以一定概率和位移比例对真实全景图像进行随机垂直偏移，以增强对视点变化的鲁棒性。

• 环形去噪（Circular Denoising）：在推理阶段，在去噪过程中采用环形填充（Circular Padding）与渐进混合（Progressive Blending）技术，确保全景图边界的结构与语义连续性。

HunyunWorld-1.0可以生成高质量的3D全景。

文生360°全景指标

图生360°全景指标

分层世界重建

尽管全景图能有效充当世界代理 ，但其无法提供被遮挡区域的信息，无法实现自由探索（如视角平移）。为了解决该问题，HunyunWorld-1.0创新性地提出了"语义层次化3D场景表征及生成算法" ，将复杂的3D世界解构为不同的语义层级，实现前景与背景、地面与天空的智能分离，并基于该分层表示搭建3D世界。

• 基于语义的世界分层

为实现语义分层的自动化，论文利用智能体（VLM视觉语言模型）识别可交互物体，然后采用"洋葱剥离法"分离天空、背景、前景，最终达到前景物体与背景分离，地面与天空分层处理的效果。该智能化的世界分层方法，主要包含三阶段流程：实例识别（检测场景中的独立物体），图层分解（将物体分配到语义层），图层补全（生成被遮挡区域的合理内容）。通过该分层方案支持后续的分层3D重建。

• 分层深度估计与对齐

基于全景世界代理，我们预测各图层的深度并执行跨图层深度对齐。采用深度估计模型（如MoGe或UniK3D）获取原始全景图基础深度图，并对后续图层分别预测深度，最终通过跨层深度匹配技术将各层深度向基础深度图对齐。具体而言，该跨层深度方法最小化不同图层重叠区域的深度距离，确保跨图层深度关系一致性，维持重建3D场景的几何连贯性。

• 分层的3D世界生成

给定分层图像和深度对齐后的各层深度，论文采用 WorldSheet提出的网格表示（Grid Mesh Representation） 进行薄板变形（Sheet Warping） ，将3D全景转换为3D网格进行实现世界重建。

针对每个前景层，HunyunWorld-1.0提供直接投影法、3D生成两种重建策略。前者基于物体深度与语义掩码，通过薄板变形将前景物体直接转换为3D网格，论文提出极区平滑处理（Polar Region Smoothing）与网格边界抗锯齿（Mesh Boundary Anti-Aliasing）来保证重建世界的质量。后者则借助3D物体生成大模型（如Hunyuan3D2.5），创建高质量3D物体资产后通过自动布景算法将生成物体植入3D场景中。

此外论文也针对背景层与天空层进行了重建。对于背景层全景图，论文采用自适应深度压缩以确保深度分布合理性，再通过薄板变形转换为3D网格。天空层则是使用天空图像重建，其深度设为大于背景深度的固定值，确保天空深度的合理性。除通过薄板变形获取传统网格表示外，HunyunWorld-1.0也支持HDRI环境贴图（HDRI Environment Map） 表示法，以在VR应用中实现更逼真的天空光照效果。

文生3D场景指标

图生3D场景指标

长距离、世界一致的漫游拓展

尽管分层世界重建提供了初步的场景探索能力，其仍面临遮挡视图与探索范围受限（Limited Exploration Range） 的挑战。为突破此局限，HunyunWorld-1.0提出基于视频生成的视图补全模型 Voyager，支持空间一致的世界拓展与长距离探索，从初始场景视图和用户指定相机轨迹中，合成空间连贯的RGB-D视频。

• 空间一致的视频扩散模型

提出可扩展的世界缓存机制，以维持空间一致性并抑制视觉幻象（Visual Lallucination）。该机制利用生成的 3D 场景构建一个初始的 3D 点云缓存，然后将此缓存投影到目标相机视图中，为扩散模型生成提供指导。生成的帧不断更新并扩展世界缓存，从而创建一个闭环系统，该系统支持任意相机轨迹，同时保持几何一致性。

• 长距离世界探索

为解决单次生成长距离视频的局限，提出结合平滑视频采样的世界缓存方案，用于自回归世界探索。

支持VR、游戏、物体编辑与物理仿真，无限应用可能

得益于HunyuanWorld-1.0的分层3D网格表示法，生成的3D网格世界能够高效支持多种专业应用场景，包括虚拟现实（VR）、游戏开发、物体编辑和物理仿真四大核心领域。

• 虚拟现实（VR）应用 

通过全景世界代理（panoramic world proxies），HunyuanWorld-1.0生成360°无缝覆盖的环境，可直接部署至主流VR平台如Apple Vision Pro，支持自由视角旋转和探索，适用于虚拟旅游、教育培训等场景，提供真实的临场感。

• 游戏开发应用 

生成的3D网格世界导出为标准格式，无缝集成行业引擎如Unity和Unreal Engine，支持快速构建多样化场景，包括外星景观、中世纪遗迹和未来都市，加速游戏原型开发和内容迭代，同时保持高保真视觉质量。

• 物体编辑应用 

基于解耦对象表示（disentangled object representations），用户可在场景中对单个元素进行精确3D操控，包括平移、旋转和缩放，而不会破坏环境整体性。这为交互式设计提供了灵活性，例如在虚拟环境中调整物体布局或创建定制场景，适用于建筑预览、艺术创作等领域，提升用户控制的自由度。 

• 物理仿真应用 

导出的分层网格兼容主流物理引擎，支持碰撞检测、刚体动力学和流体模拟等真实世界行为仿真。这确保了场景元素（如物体和地形）的物理属性准确再现，适用于自动驾驶测试、工程模拟等专业领域，实现从视觉到行为的全链路一致性。