3D生成的行業新標桿，這一次由國產玩家樹立。

萬萬沒想到，這樣一個堪比游戲全景視角的場景，竟然只由一張圖片生成？！

在360°自由環視下，由亭子一隅延伸出的畫面始終保持內容一致：

面對更考驗幾何、色彩能力的場景，也能生成比較真實自然的3D世界。

仔細看，畫面所呈現的幾何關系（如位置、大小、形狀）和遮擋關系基本挑不出毛病，不同區域的顏色也沒有突兀的地方。

更神奇的是，我們還能隨心所欲控制運動軌跡。

比如先讓圖片來個直行：

然后立馬再來個蛇形走位，拐一個S彎：

甚至，對比李飛飛World Labs團隊所采用的方法，新模型還支持更大范圍的移動。

原圖是醬嬸兒的：

李飛飛World Labs團隊讓這張圖的視角逐漸推進，最終生成結果如下：

而Matrix-3D新模型生成的場景明顯更為豐富，全景視角下空間感也更為強烈。

不賣關子了，Matrix-3D正是國產玩家昆侖萬維最新推出的3D世界生成框架。

作為一個融合全景視頻生成與3D重建的統一框架，它從單圖像出發，能夠生成高質量、軌跡一致的全景視頻，并直接還原可漫游的3D空間。

官方測評顯示，Matrix-3D在多個主流評估指標上優于360DVD、Imagine360和GenEx，取得全景視頻生成任務的SOTA成績。同時，在相機軌跡引導下的生成任務中，Matrix-3D也在視覺質量和相機可控性方面超越現有方法。

那么，Matrix-3D是如何從一眾競爭對手中脫穎而出的呢？

樹立3D世界生成新標桿

事實上，Matrix-3D并非昆侖萬維第一次在世界模型領域大秀肌肉~

早在今年2月，這家公司就推出全新自研的世界模型——Matrix系列，成為中國第一家同時推出3D場景生成、可交互視頻生成模型的探索空間智能的企業。

今年5月13日，昆侖萬維也正式開源了（17B+）Matrix-Game大模型，即Matrix-Zero世界模型中的可交互視頻生成大模型。Matrix-Game是Matrix系列在交互式世界生成方向的正式落地，也是工業界首個開源的10B+空間智能大模型，它是一個面向游戲世界建模的交互式世界基礎模型，專為開放式環境中的高質量生成與精確控制而設計。

如今幾個月過去，Matrix-3D算是昆侖萬維在確立領先優勢后持續投入、不斷優化的階段性成果。

并且這一次，從效果和技術突破兩方面來看，Matrix-3D的優勢還在擴大。

從比較直觀的生成效果來看，Matrix-3D目前具備以下核心優勢：

場景全局一致：支持360°自由視角瀏覽，幾何結構準確、遮擋關系自然，紋理風格統一。生成場景范圍大：與現有場景生成方法相比，支持更大范圍的、可360°自由探索的場景生成。生成高度可控：同時支持文本和圖像輸入，結果與輸入高度匹配，支持自定義范圍與無限擴展。泛化能力強：基于自研3D數據與視頻模型先驗，可生成豐富多樣的高質量場景。生成速度快：首個Feed-Forward（前饋神經網絡）全景3D場景生成模型，生成速度更快。

話不多說，直接來看更多玩法~

首先，Matrix-3D最極簡的玩法是，開局只給它一張參考圖（然后還你整片森林bushi。

咔咔一頓輸出后，不僅能看到鏡頭環繞石堆的全景效果（補全了河流、白云等周圍環境），而且連每一塊石頭的物理光影也能隨之正確變換。

給圖片加上提示詞，沉浸式體驗游戲的feel立馬出來了。

一個方塊像素化的景觀，包含山脈、樹木、水體、天空、云朵，類似《我的世界》風格，高分辨率，色彩鮮艷，紋理細節豐富，氛圍寧靜。

雖然只提供了某一幀畫面，但它也能輕松還原整個場景，形成了一個可供玩家自由探索的游戲世界。

是不是很有《我的世界》內味兒了~

與此同時，正如開頭提到的，Matrix-3D還支持玩家自由控制運動軌跡。

僅“看一眼”某個山坡的局部圖，再結合用戶提供的軌跡圖，就能從各種方位開啟第一視角爬山之旅。

而且不止S彎和直行，切換成其他軌跡也是OK的。（比如右前方前進）

值得一提的是，Matrix-3D還支持將全景視頻轉化為3D世界。

如此一來，我們就能直接對圖片展開自由探索：

最后更關鍵的是，Matrix-3D還支持無限續寫。

就是說，當用戶生成一段場景后，還可以在此基礎上對場景進行擴寫。

跳過參考圖和提示詞，第一段be like：

基于第一段，鏡頭繼續來到旁邊的另一座研究基地。

可以看到，整個基地的面貌更完整了，而且沒有丟失第一段中的關鍵素材（如第一座基地中分散在各角落的人）。

如此“俄羅斯套娃”后，最終用戶將得到一個貼近提示詞的科幻大片場景：

一座建在冰川上的未來研究基地，配有發光穹頂和先進機械，四周環繞著冰封景觀，具有科幻美學風格，畫面極為細致精美。

順帶一提，Matrix-3D提供兩種場景重建方案——基于前饋神經網絡的方案10s即可完成場景重建，而基于3DGS優化的方案可重建出更精細逼真的場景。

小結一下，Matrix-3D能樹立行業新標桿，正是因為它在生成質量上實現了多項關鍵進步。

而且不止模型能力變強，從技術方面看，背后還蘊藏著團隊對多項行業技術難題的成功突破。

包括但不限于下面這些：

相比基于透視圖訓練的主流思路，全景圖可以突破視覺范圍限制；相比主流的點云渲染策略，網格渲染能有效提升幾何一致性和色彩一致性；基于前饋式網絡的3DGS優化策略，能加速3D生成；利用合成數據，3D場景數據稀缺的問題能夠得到解決；

憑借產品+技術的雙重優勢，Matrix-3D再次刷新3D世界生成的行業標桿。

下面我們繼續深入扒一扒Matrix-3D背后的技術細節。

背后技術細節

整體而言，Matrix-3D主要通過引入全景表示、條件視頻生成與3D重建模塊，突破了現有方法在視角范圍、幾何一致性和視覺質量上的限制。

其核心模塊及大致作用如下：

1、軌跡引導的全景視頻生成模塊：根據用戶輸入的圖片/文字，生成符合給定相機軌跡的全景視頻。

2、雙路徑可選擇的全景3D重建模塊：提供分別主打精細和生成速度的兩種方案，來將全景視頻變成一個可自由探索的3D場景。

3、Matrix-Pano數據集：一個大規模高質量合成數據集，包含116K條帶有相機軌跡、深度圖和文本注釋的靜態全景視頻序列。

對于上述組件，接下來我們按照以下思路進行詳細拆解：

1）為什么要這樣設計？

2）怎樣實現這個設計？

3）如何訓練這個模型？

為什么選用全景圖而非透視圖？

一上來，團隊就從全局考慮了3D場景生成的泛化性問題。

受限于3D場景數據的稀缺性，目前的主流思路是利用圖像或視頻生成模型作為先驗來實現強泛化。

簡單說，前者通過捕捉2D圖像中的紋理或細節等特征來輔助構建3D世界，后者則通過學習相機環視時的視角變化（由視頻模型生成），來模擬空間結構和生成3D場景。

然而這類方法都是在透視圖上進行訓練，僅能覆蓋小范圍的場景，一旦用戶超出該范圍查看場景時，就會有明顯的場景邊界，影響用戶的沉浸體驗以及VR/AR等下游應用。（下圖左半部分）

因此，為了保證生成的場景支持任意地點、任意角度查看，團隊選用了全景數據作為場景生成的中間表達。

一般而言，全景圖可以覆蓋360°的水平視角和180°的垂直視角，支持用戶在任意角度查看。一旦將多個位置的全景圖拼接在一起構成全景視頻，就能包含3D世界生成所需的所有信息。（上圖右半部分）

三個核心模塊實現單圖/文本→3D世界生成

借助全景視頻中間表達，Matrix-3D具體則通過三個核心模塊實現從單圖/文本到3D世界的生成：

全景圖生成模塊：從用戶輸入的文本或透視圖生成全景圖；可控全景視頻生成模塊：根據用戶指定的探索軌跡和范圍精準生成全景圖視頻；3D場景生成模塊：從全景圖視頻中解碼出3D場景，支持用戶自由探索。

訓練階段的優化設計

訓練開始前，團隊將重點放在為視頻擴散模型提供更精準的參考條件上。

其中，全景圖的生成通過LoRA微調生圖模型實現。

為了生成可控的全景視頻，團隊基于首幀的全景圖和深度信息搭建了一個初始的3D網格，然后沿著用戶設定的路徑對這個網格進行渲染，作為后續視頻生成的參考。

相較于當前主流的點云渲染策略，通過網格渲染得到的信號能包含準確的前后景遮擋關系，且不會出現噪聲條紋。

因此有效提升了生成結果的幾何一致性和色彩一致性。

然后就是根據這些精準的條件信號進行訓練。

在訓練視頻生成模型時，團隊首先對場景網格渲染結果進行編碼，并將其對應的Mask（遮罩圖）下采樣，再將這兩者和噪聲隱向量在通道維度（channel dimension）拼接，一起作為模型的輸入。

團隊稱這一設計簡單有效，保證了生成結果與輸入條件信號高度相符，提升了模型的控制精度。

同時，團隊在模型的DiT模塊中引入了Cross Attention機制，用于融合殘缺視頻序列和完整視頻序列對應的隱向量。

這一設計進一步增強了模型輸出與輸入條件的匹配度，提高了全景視頻生成的精度和泛化能力。

此外，為了加速訓練過程，團隊在視頻基模上進行LoRA微調，而非全量參數訓練。

當視頻生成完成后，最終還需要將其轉化為可交互的3D場景。對此，團隊設計了兩種不同的重建方式：

基于深度估計+透視圖3DGS優化，可以生成精細的高質量場景；基于前饋式網絡（Feed-Forward Network）的3DGS優化，主打快速生成。

后者用Transformer網絡直接從視頻隱空間預測全景3DGS的各個屬性，且為了加速網絡收斂，提出了先訓練深度、再訓練其他參數的分步訓練策略。

Matrix-Pano數據集

當然，以上訓練也離不開一個高質量的數據集——Matrix-Pano。

現有的3D場景數據集通常存在質量和成本方面的問題。不僅普遍規模較小、質量參差不齊，且缺乏精確的相機和幾何標注；同時，真實世界3D場景數據的采集成本也非常高昂。

而Matrix-Pano則完全基于Unreal Engine（虛擬引擎）構建，具備高仿真的物理和視覺效果，包含116K全景視頻，共22M全景幀，涵蓋室內室外504個高質量3D場景及多樣的天氣與光照條件。

此外，所有視頻均配有精確的相機與軌跡標注。

為了支撐如此大規模、高質量的視頻數據采集，團隊還專門設計了一整套自動化軌跡生成與采集系統。

概括而言，這套系統主要通過三步實現高質量的視頻采集：

軌跡生成：提出了一種高效的軌跡采樣算法以生成合理且視覺連貫的相機路徑，最終僅保留長度超過18米的軌跡，以保證視頻序列的動態性。高仿真精確碰撞檢測：采用邊界框代理進行路徑仿真，實時剔除發生幾何剪切或物體穿透的軌跡，保證全景視頻運動過程的物理合理性。工業級相機控制：結合控制理論對相機的位置和角度進行平滑處理，保證生成的視頻具有工業級的物理平滑效果。

通過上述多步驟的數據生成與篩選流程，團隊最終保留了116k個高質量全景靜態視頻序列，每個序列均附帶對應的3D探索路徑。

昆侖萬維：瞄準空間智能

以上不難看出，昆侖萬維確實在3D世界生成領域投入了大量心血。

而這一切背后，實則蘊藏著他們對“空間智能”這一前沿技術領域的更大野心。

何謂空間智能？簡單來說，就是讓機器突破傳統二維視覺的限制，能夠像人類一樣感知、理解并作用于三維空間。

根據量子位智庫發布的報告，目前它實際上分為兩個層面：物理的三維世界和數字的三維世界。

在數字世界里，空間智能的代表應用即為3D場景生成，以李飛飛World Labs、騰訊HunyunWorld-1.0為代表（當然也包括Matrix-3D），這些應用通過生成高質量的3D內容，為VR虛擬現實、游戲開發和影視制作等領域提供強大的技術支持。

而在物理世界，空間智能的應用主要體現在自動駕駛、具身智能領域。這些場景在強調感知與理解的同時，更加注重“行動”能力，對交互性的要求也更高。

例如，自動駕駛汽車需要實時感知周圍環境并做出決策，具身智能機器人需要在復雜環境中進行物理交互。

而最終，其目標是構建世界模型，即通過數字化的方式模擬和預測物理世界的運行規律，實現完美“人機交互”。

總而言之，對各行各業來說，空間智能普遍被視為“實現AGI的關鍵一步”，屬于那種“有條件要上，沒有條件創造條件也要上”的核心技術。

具體到昆侖萬維，實際上Matrix-3D的出現并非偶然，而是其長期戰略布局與技術積淀的自然成果。

昆侖萬維Matrix系列世界模型正是其在AGI路徑上的關鍵動作，包括5月正式開源的「可交互視頻生成Matrix-Game大模型」，以及今天同樣開源的「Matrix-3D大模型」——通過3D世界的自動生成，賦能AI對空間的識別與理解能力，這代表著其在“空間智能”方向上的重要探索。

這也符合昆侖萬維一直以來的“All in AGI與AIGC”戰略規劃。

過去三年，他們在視覺多模態、深度學習、強化學習等核心技術領域持續投入，先后推出了多項重磅產品與平臺。

包括天工超級智能體（Skywork Super Agents）、AI音樂創作平臺Mureka、AI短劇平臺SkyReels、AI社交產品linky等，形成了“AI前沿基礎研究——基座模型——AI矩陣產品/應用”的全棧式AI產業鏈。

其中，空間智能作為多模態發展的延伸方向，已成為不可或缺的一環。

Matrix-3D的出現，正是這一戰略體系向“空間理解”能力進一步延伸的體現。它不僅整合了公司在多模態模型方面的技術積累，也進一步提升了昆侖萬維在世界模型與空間智能賽道上的競爭優勢。

當然，理念落到實處也離不開切切實實的人力、物力支持。

自2023年宣布“All in AGI和AIGC”以來，昆侖萬維在AI研發上投入了大量資金和技術人員。

公開財報顯示，2024年公司的研發費用飆升至15.4億元，同比增幅達59.5%，占總營收比重的27%以上；進入2025年第一季度，這一增長趨勢仍在延續，研發費用達到4.3億元，同比增長23.4%，約占營收的26%。

光投錢還不夠，去年其研發團隊達到1554人，占總人數的73.41%，在國內AI企業中躋身前列。

所以說，Matrix-3D能夠取得這一階段的技術領先，實屬“水到渠成”。

Anyway，盡管空間智能仍處于發展的早期階段，但不可否認，擁有資金、技術與人才三重優勢的昆侖萬維，或許早已在這條通往未來的賽道上占據了先發位置。

1.GitHub：https://github.com/SkyworkAI/Matrix-3D
2.HuggingFace：https://huggingface.co/Skywork/Matrix-3D
3.Technical report：https://github.com/SkyworkAI/Matrix-3D/blob/main/asset/report.pdf
4.Homepage：https://matrix-3d.github.io/