国产世界模型登顶李飞飞团队榜单！适配昇腾算力，代码权重全开源
李飞飞团队最新发布的世界模型榜单上，国产模型 UniWorld-View 拿下第一。它由兔展智能团队联合北大、鹏城实验室研发，支持单图或视频生成任意相机轨迹的新视角视频，已适配国产昇腾算力，代码和权重全部开源。其核心创新在于解决大基线视角合成中的几何穿帮问题，采用遮挡感知点云渲染和双流架构，让生成内容既准又真。
给它一张图，还你整个世界
李飞飞团队的世界模型榜单，刚刚换了新榜首。
登顶的是兔展智能团队联合北大、鹏城实验室研发的UniWorld-View（模型已适配国产昇腾算力）：
你随手拍一段视频，或者干脆只给一张图，它还你一段“相机轨迹任你指定”的新视角视频——推、拉、摇、移，甚至“绕着场景360°转一圈”都可以，提供“精确听话的相机位姿控制”。
不管是单图3D生成还是视频4D生成，用的是“同一套代码、同一个模型”。真·Uni（统一）World-View了。本次世界模型的训练数据来自北大系初创企业元空智能，代码和权重也已全部开源：
官方地址：PKU-YuanGroup/UniWorld-View: Official implementation of UniWorld-View
为什么难：只看正脸，画出后脑勺
先说这事儿为什么难。
新视角合成（Novel View Synthesis），本质上是让AI“脑补”没拍到的角度。而难点全在“大基线（large-baseline）”三个字上——说白了就是：只给AI看正脸，让它画出侧脸，甚至后脑勺。
传统路线NeRF、3DGS，走的是“重建”逻辑：看得越多，建得越好。可随手拍的单目视频，视角覆盖约等于没有。喂给它们，轻则空洞伪影满天飞，重则直接摆烂。
生成式路线倒是敢画。但大多数方法只是把相机位姿当个“口头指令”（一个抽象的条件向量）塞进扩散模型——没有显式3D建模，走两步就飘，转大角度直接失控。
于是近两年出现了第三条路：先用几何模型把画面撑成3D点云，再把目标视角的点云渲染图喂给视频扩散模型当条件。几何归几何，生成归生成，相机控制一下子准了。ViewCrafter、英伟达GEN3C，走的都是这条路。
但在研发过程中，团队发现，这条路上藏着一个大家都踩过、却没人认真填的坑。
点云渲染，会“穿帮”
坑就出在点云渲染这一步。
点云是一堆孤立的点：既不知道谁跟谁相连，也不知道哪面朝外。视角一转大，渲染图会出现两种经典穿帮：
一是前景背景撕裂。深度边界处没有连接信息，视角一变，前景纹理就像口香糖一样被扯到背景上，或者背景像素直接糊到前景脸上。
二是背面漏光。点云没有“面”的概念，不会自动遮挡。相机绕到物体背后，正面的点会直接透过来，相当于隔着后脑勺，看到了一张脸。
小幅度换视角时，这些穿帮不明显，生成模型还能糊弄过去。可一旦上了大基线，条件图里全是错误几何信号，扩散模型直接被带偏：结构扭曲、伪影乱飞。
UniWorld-View的第一板斧，就砍向这里——“遮挡感知点云渲染”（Occlusion-aware Point Cloud Rendering）。
第一招：双重投影，专治撕裂。
把源画面投影到目标视角，再原路投影回来。来回一倒腾，凡是“回不来”的像素，就是会被遮挡的区域。把这些区域沿相机轨迹逐帧累积成遮挡mask，渲染时直接挖掉——该是洞的地方就老老实实留洞，交给生成模型去补，而不是留一堆错误纹理误导它。
第二招：法向过滤，专治背面漏光。
给每个点估计法向量，和视线方向算个夹角：背对相机的点，直接踢出渲染。
两招下来，条件图里的错误信号清零，剩下的全是可靠几何+明确的待补区域。
双分支架构：一个管构图，一个管上色
几何理顺了，还剩第二个矛盾：点云渲染图“位置对，但内容缺”；源视频“内容全，但位置不对”。怎么让生成结果既贴合目标视角，又和原视频长得一模一样？
UniWorld-View的答案是“双流条件注入”：
- 几何流：点云渲染图+mask，编码后加到潜变量上，负责把生成内容死死钉在3D结构上；
- 外观流：源视频走新设计的“Ref-DiT模块”——新视角特征当Query，源视频特征当Key/Value做cross-attention，让模型自己去原视频里“翻素材”，哪儿缺补哪儿，连点云伪影造成的糊纹理都能顺手修掉。
一个管构图，一个管上色，分工明确。
关键要点
- UniWorld-View 解决了大基线新视角合成中的几何穿帮问题，首次将遮挡感知点云渲染引入该任务。
- 采用双分支架构：几何流锁定3D结构，外观流从源视频中精准取色，分工互补。
- 支持单图/视频输入，相机轨迹可任意指定（推拉摇移、360°环绕），且同一套代码统一处理3D生成和4D视频生成。
- 模型已适配国产昇腾算力，代码和权重全部开源，开发者可直接使用或二次开发。
- 对AI编程和氛围编程的开发者而言，这意味着可以用极低成本获取高质量的视角生成能力，为3D内容创作、虚拟拍摄、XR场景生成等应用提供可靠的开源基座。
本文介绍UniWorld模型如何通过空间与时间解耦，把单目视频变成可自由视角漫游的4D场景，并解读其背后的技术巧思与产业落地进展。模型已完全开源，适配国产昇腾芯片。
4D重建：从单目视频到自由视角漫游
想换个机位看同一段视频？UniWorld让这成为可能——而且不止换一个，它能生成多个机位的同步画面，相当于把一段单目视频"拍"成了多视角视频。
多视角视频到手后，4D重建（即动态3D高斯泼溅，简称动态3DGS）就不再是难题，从"不可能"变成了"常规操作"。
这里的核心巧思是：传统生成式方法里，相机是"边走边拍"的——空间变换和时间推进混在一起，视角在四维空间里分布极不均匀。UniWorld-View直接把两者解耦，分成两步走：
- 先拍定妆照：把时间冻结在第一帧，围绕场景生成一圈静态环绕视图，作为整个场景的外观锚点；
- 再开机拍动态：在固定机位上生成同步多视角视频，每个机位的第一帧用"定妆照"对齐，前景的自遮挡部分靠迭代生成逐步补全。
生成多视角视频后，交给4DGS优化，就能得到最终的4D场景。从"单目随手拍"到"可自由视角漫游的4D场景"——一条龙打通。
模型产业落地：RabbitVis即将登场
UniWorld背后的公司兔展智能，由北京大学校友与北京大学视觉领域的青年领军人才联合创立，专注于视觉AI大模型研发，具有基于视觉大模型的多模态底层自研能力，是国内视觉AI大模型领域的代表企业。
公司自主研发了Open-Sora Plan、UniWorld等系列视觉AI模型。其中：
- Open-Sora Plan是行业首个开源文生视频模型，2024年代码引用量位居全球第一；
- UniWorld率先探索了理解与生成统一架构。
2025年，兔展智能发布了UniWorld-V2——理解与生成统一架构的视觉大模型，引领了理解生成一体化方向。2026年4月，UniWorld-V2.5发布，在InfoGraph、图文交错、文字密集等场景上对齐了同期发布的GPT-Image-2的生成能力。
在持续推进技术演进的同时，兔展智能正加速推动UniWorld能力的产品化，近期将推出产模一体设计生产工具RabbitVis，进一步让视觉AI进入商业设计工作流。
延伸阅读
- 合肥又押中AI独角兽：多模态赛道，3个月融了21亿（2026-07-24）
- 上海这场大赛有点"野"：让AI自主科研、控核聚变、认甲骨文（2026-07-23）
- 美图拿出1亿元，面向全行业寻找AI影像Builder（2026-07-23）
- 逛完WAIC 2026我悟了：国产AI芯片的真对手，根本不是英伟达的GPU（2026-07-18）
关键要点
- UniWorld通过空间与时间解耦，实现了单目视频到多视角视频的转换，进而完成4D重建。
- 模型全部代码与权重已开源，并适配国产昇腾算力，对开发者友好。
- 兔展智能正在将UniWorld能力产品化，RabbitVis工具即将发布，推动AI进入商业设计工作流。
- 对于AI编程/氛围编程领域，UniWorld提供了从视频理解到场景生成的闭环能力，可应用于虚拟制片、3D内容创作等场景。