腾讯混元郭春超：仅靠视频，很难真正进入游戏和工业化生产流程

作者：SY

出品：明亮公司

2026北京智源大会世界模型分论坛上，腾讯混元3D及世界模型负责人郭春超以《混元3D：从物体生成到世界模型的研发探索》为题，系统分享了腾讯混元在3D资产生成、3D生产管线以及HY World系列世界模型方面的最新进展。

随着World Model成为人工智能领域最热门的方向之一，行业正沿着视频生成、具身智能和空间智能等不同路线展开探索。相比从视频生成出发构建世界模型，腾讯更强调3D资产和三维空间的重要性。

在郭春超看来，世界模型不仅需要“看起来像世界”，更需要进入真实生产流程，服务于游戏开发、数字内容生产和工业仿真等场景。而这些场景背后，都离不开可编辑、可修改、可复用的3D资产。

“仅靠视频，很难真正进入游戏和工业生产流程。”郭春超表示，视频路线在视觉表现和动态生成方面具有天然优势，但如果希望兼容游戏引擎、工业仿真以及内容生产体系，仅有视频远远不够。世界模型不仅需要生成世界，更需要理解世界、编辑世界，并与现有生产系统相兼容。

因此，在HY World的发展过程中，腾讯始终坚持保留三维空间表达能力。从支持Mesh场景资产导出，到兼容图形引擎，再到围绕生成、导航、扩展和重建构建完整的3D世界生成框架，核心目标始终是让世界模型从展示层走向生产层。

北京智源大会、腾讯混元（下同）

与此同时，郭春超也指出，当前World Model（世界模型）仍处于非常早期的发展阶段。一方面，行业尚未形成统一的评测标准；另一方面，大多数模型虽然能够实现视觉上的合理生成，但距离真正理解物理规律仍有较大差距。如何从“视觉正确”走向“物理正确”，如何让模型具备更强的可交互性和决策能力，仍是未来几年行业需要持续攻克的问题。

在他看来，未来世界模型的发展不会是单一路线的胜出。视频世界模型与3D世界模型将长期并行发展，而空间智能与语言智能也将逐渐走向融合。

以下为「明亮公司」基于现场速记、演示文稿整理的演讲内容：

从3D资产到3D世界

腾讯混元是一个多模态模型家族，覆盖语言、图像、视频、语音以及3D等多个模态，并服务于腾讯内部众多业务场景。具体到3D方向，我们的发展主要围绕两条主线展开。

第一条主线是3D物体生成。从2024年开始，我们持续迭代混元3D系列模型，陆续发布了混元3D 1.0、3D2.0、3D2.5、3D3.0等多个版本。

第二条主线是3D世界模型。从2025年开始，我们持续推进HY World系列模型研发，也是业内较早开源的3D世界生成模型之一。

整体来看，我们的研发布局围绕两部分展开：一是生成式3D资产，二是3D世界模型，希望推动AI 3D技术的发展与商业化落地。

为什么先做3D资产生成

3D资产本质上是连接人与计算机的重要载体。无论是工业设计、数字内容生产、游戏开发，还是机器人仿真，底层都离不开3D资产。过去3D内容生产存在一个明显问题：门槛高、成本高、专业性强。一个成熟建模师往往需要经过长期训练，很多企业和团队难以承担相关成本。

而AIGC和3D大模型的出现，为3D资产生产带来了新的可能性。我们认为，3D资产是构成世界的基础元素，也是距离商业化最近的一环。因此团队最早并没有直接切入世界模型，而是先从3D资产生成开始，希望重构3D生成的底层语言。

目前，3D单体生成已经发展到较好的水平，同时我们也在持续推进3D生产管线的AI化，希望利用AI重塑传统CG工作流。

从物体生成迈向世界生成

当3D资产生成能力逐步成熟之后，一个自然的问题出现了：能否进一步构建完整的世界？因此我们开始探索3D世界模型。在我们的理解中，世界模型的发展路径可以概括为：3D资产生成 → 场景生成 → 主体与场景交互 → 世界演化与模拟。最终实现世界的生成、重建、编辑与交互的一体化。

我们对于“世界”的定义其实很简单：世界本质上是一个可交互的三维场景。它既可以是虚拟世界，例如游戏、VR以及数字内容场景；也可以是真实世界，例如数字孪生、工业仿真以及机器人场景。

世界模型仍处于早期阶段

过去一年，World Model成为行业最热门的话题之一。随着具身智能的发展，大量公司开始发布自己的世界模型产品，整个行业也进入快速探索阶段。

从我们的观察来看，目前行业对世界模型的理解并不统一。有人认为视频模型就是世界模型；有人认为LLM本身也可以被视作一种世界模型；还有人认为空间智能才是世界模型的核心。

从技术路线来看，目前主要可以分为三类：第一类是交互式视频世界模型，通过实时生成和预测像素序列完成世界模拟；第二类是显式3D世界模型，直接构建三维空间几何结构；第三类是在Latent Space中进行预测和推理的世界模型。

如果进一步扩展定义，把VLA等基于LLM的体系纳入进来，也可以认为存在第四类路线。目前整个行业仍然处于百家争鸣阶段，无论是底层架构还是训练方式，都还没有完全收敛。

HY World的发展路径

腾讯较早开始探索世界模型方向。2025年1月，HY World项目正式启动；2025年7月，我们发布了第一版开源3D世界模型，并支持消费级显卡部署。随后团队陆续推出HY World 1.5和HY World 2.0。其中，HY World 1.5是一套结合2D与3D能力的实时交互世界模型。当时我们实现了24FPS、720P实时生成能力，并将推理延迟控制在1秒左右，是当时国内较早可实时体验的视频世界模型之一。

对于Video-based World Model而言，视频训练、视频推理和视频展示天然一致，因此视觉效果往往比较突出，这也是视频路线能够快速流行的重要原因。不过我们始终认为，仅有视频并不足以满足工业和游戏生产需求。如果希望兼容游戏引擎、物理仿真和工业流程，最终仍然需要可编辑、可修改、可导出的3D资产。因此从HY World 1.0开始，我们就坚持支持Mesh场景资产导出，希望让模型真正进入生产系统，而不仅仅停留在演示阶段。

HY World 2.0：多模态3D世界模型

2026年4月，我们正式发布并开源HY World 2.0。相比前代产品，HY World 2.0进一步增强了多模态能力。输入侧支持文本、单图、多图、视频流以及几何白模等多种形式。输出侧则支持图片、视频、3D Gaussian Splatting以及Mesh场景等多种结果形式。

整个系统由四个核心模块组成：第一阶段是HY-Pano，负责生成全景图，为后续世界扩展提供空间先验；第二阶段是WorldNav，负责导航和路径规划。因为在一个世界中并非所有区域都可以通行，因此需要结合导航和路径搜索能力实现合理漫游；第三阶段是WorldStereo，负责世界扩展与新视角生成。它利用视频模型生成高质量的新视角内容，同时引入空间一致性记忆机制，保证扩展区域与原场景保持一致；第四阶段是WorldMirror，负责三维重建。我们希望打造一个统一的3D重建模型，支持多视图、视频流等多种输入，并输出点云、深度图、相机参数以及3DGS等结果。

通过这四个模块协同工作，HY World 2.0实现了从生成、导航、扩展到重建的完整闭环。

对世界模型未来的思考

过去一年多时间里，我们在世界模型方向投入了大量资源，也积累了一些经验。在我们看来，目前世界模型仍然面临几个核心挑战。

首先，行业还缺乏统一标准去定义“什么是好的World Model”。如果只是视觉质量高，其实远远不够。真正重要的是，它是否能够理解世界、模拟世界，并支持后续决策。

其次，物理可用性是世界模型的重要价值。目前很多模型能够做到视觉正确，但距离物理正确仍有差距。视频数据中包含大量视觉信息，但缺少精确的物理标注，因此模型在涉及复杂物理规律时仍然容易出错。

第三，评测体系仍然不完善。对于世界模型而言，可交互性和物理准确性往往比视觉质量更重要，但目前行业尚未形成统一的评价标准。

最后，我们认为未来的发展方向一定不是单纯扩大模型规模。世界模型的发展既依赖模型本身，也依赖高质量数据引擎。未来生成与重建将共同构成数据引擎，推动世界模型持续演进。同时，视频世界模型和3D世界模型也会长期并行发展，并根据不同应用场景进行组合。

更重要的是，空间智能与语言智能最终不会割裂，而会不断融合。我们希望未来能够构建一个统一的多模态空间智能基础模型。