在2025年举办的世界人工智能大会（WAIC）上，腾讯公司意外地抛出了重磅炸弹，正式对外发布并公开了其自主研发的「混元3D世界模型1.0」。

据悉，与过去相比，本次推出的「混元3D世界模型」最具特色之处在于，它成为行业首个公开、支持深度沉浸体验、交互操作以及高度仿真的三维世界构建工具。依照腾讯的介绍，用户仅需输入一段文字或提供一张图像，便能在短短数分钟内迅速构建出一个完整且具备全方位沉浸体验的三维虚拟空间。

在混元大模型官网，官方展示了几个例子。

例如，只需上传一幅描绘树木、船只和几座建筑的原始图像，便能够迅速构建出一个拥有小树、辽阔大海、晴朗的天空和朵朵白云，以及繁华城镇等众多元素的美丽海滨小镇。

例如，借助一段简短的文字描绘，便构建出了一个珊瑚遍布、鱼群穿梭、海底城市错落有致的水下幻境。整体而言，无论是作为核心的海底城市，还是周边的生态环境布局、光照条件等要素，都表现得相当完整，堪称较为忠实于原文描述的再现。

官网除了展示上述两个示例，还陈列了众多其他类型的3D世界模型，诸如小镇、雪山、火山等，而且这些模型的美术表现手法也相当丰富，包括油画、卡通、写实和水墨等多种风格。

特别要指出的是，这些所生成的三维空间，用户可以随意调整观察角度，实现全方位的360度视角浏览，同时还能将其导出为全景图像，方便在游戏、模拟或视觉引擎等场景中应用。

审视3D生成大模型的发展历程，我们见证了从独立生成单一3D模型到仅需一句指令即可构建整个3D场景的巨大转变，这一过程中，3D创作的难度正以惊人的速度逐渐降低。

实际用起来怎样？

混元3D世界模型一经正式推出，腾讯便向公众全面开放了其试用版体验。

经过亲身使用，我察觉到这个模型在三维图像生成方面展现出两大显著特性：

一是对文字或图像的理解能力较强。

在试用阶段，我主要运用了“文生全景”的技巧。即便我故意以含蓄的方式描述心中所想的3D场景，混元模型依旧能较为精确地把握文字的深层含义，并成功创建出一个大体上满足我需求的全景图。

在我提出需要混元模型构建一个类似武侠小说中所描绘的阴郁萧瑟场景时，我提供了一段详尽的描述，其中融入了众多对场景细节的艺术化描绘，以此干扰模型对场景的理解。这些描述涵盖了诸如“枯萎的草丛低垂”、“落日如血染红”、“静谧中透露出的锐利气息”等元素。

寒风肆虐，掠过一片死寂的荒野，干枯的草丛低垂着，发出凄厉的呜咽声。夕阳如血染红天际，将生锈的断剑和焦黑的枯树拉出长长的影子，斜斜地投射在龟裂的土地上。几具森森白骨半埋在风化的黄沙之下，散落的碎片甲片在阳光下闪烁着寒光。一只秃鹫在灰蒙蒙的天空盘旋，发出时断时续的哀鸣。空气中弥漫着铁锈的腥味和干燥尘土的刺鼻气息。一面破旧的战旗高悬于光秃秃的旗杆之巅，狂风呼啸而过，将其撕裂成布条般的声音。在远方，狂沙席卷过崎岖不平的乱石岗，传来阵阵沙沙的咆哮声。天地间只剩下枯萎、寒冷以及无声的锐利气息。」

然而，实际上，混元模型对上述文字的精髓把握得相当到位，诸如残阳、秃鹫、枯树、白骨、战旗等关键元素，在全景图的呈现中均有体现。尽管整个场景的氛围描绘并非尽善尽美，但大体上还是满足了我对“肃杀、凄凉”氛围的预期。

自然，可能是因为模型所吸收的信息量尚不充足，我发现当尝试向其阐述一些在现实世界中并无明确条文规定，然而人们却普遍认同的习惯性概念时，混元模型的理解往往会发生偏差。

大多数人都能辨识的《原神》美术特色，当我要求其依照《原神》的美术风格，制作一个融合了植被生态、中世纪教堂建筑以及遗迹残骸的城镇时，混元模型呈现的全景图与我预想的相去甚远。

即便细节是否能够构建成功尚且不论，仅美术风格这一项就已未能达标。显而易见，所谓的混元模型实际上并未真正领会「原神美术风格」的精髓。

尽管对于某些概念的认识尚需深化，然而，混元模型在第二个方面展现出显著优势：其生成全景图或构建模型的速度确实非常迅速。

实际上，从我开始输入文字算起，这两次尝试中，即便将排队时间考虑在内，每个全景图的生成所需时间也未超过一分钟。

至于“图生全景”功能，其速度同样令人满意。例如，在一场测试中，我向模型提供了一张具有塞尔达传说风格的图像，而混元模型仅用不到一分钟的功夫，便成功生成了一个能够全方位观赏的塞尔达风格全景世界。尽管在细节处理上略显简略，且元素填充不足，但至少在美术风格上与原图保持一致。

需特别说明的是，上述所展示的均为无法实现交互的全景图像，若欲创建可自由操控的虚拟游览环境，则必须额外提交申请以获得相应资格。这两种模式的差异主要体现在，漫游场景能够让用户通过WASD键进行自由移动，构成一个真实的3D虚拟空间。然而，从之前的演示中我们可以直观地观察到，混元模型在构建3D世界模型方面的实际效果。

怎么实现的？

依照腾讯官方的表述，混元3D世界模型之所以能够达到这样的效果，其关键在于所采用的“语义层次化3D场景表征及生成算法”。此算法可以将繁复的3D世界分解为若干个语义层级，并分别实现前景、中景以及远景的分层构建。

此外，用户在所生成的场景中，不仅能够对各个组成部分进行单独的编辑，还能进行物理仿真操作。例如，可以单独选取前景中的物体，为其绑定骨骼结构或增加特定的行为逻辑；同时，天空和地形部分也支持进行替换或定制化的渲染处理。

同时，系统还能生成符合标准的3D网格资源，支持Unity、Unreal Engine、Blender等众多主流软件，适用于游戏开发、影视特效制作、教育模拟、工业培训等多种场合。用户既可以在官方网站上操作，也可以在Hugging Face平台上部署模型进行本地执行。

据悉，混元3D生成大模型已在腾讯内部多个业务场景中得到应用。例如，在游戏行业，得益于混元3D平台的助力，游戏3D资源的制作时间成本已从数天缩短至分钟级别；而在地图导航方面，腾讯地图依托混元3D大模型推出了定制化的3D导航车标功能，创作效率实现了91%的提升。

鉴于当前混元3D世界模型尚处于初版阶段，其应用场景尚需进一步扩充。随着软件版本的不断更新，它有望在游戏开发、影视创作等领域，为行业带来更多的发展机遇。