世界模型 · 机器人 · 视频生成

AnchorWorld 和 ABot-Earth 的区别:一个管交互、一个管尺度

两篇论文都在生成世界,但方向几乎不相交:AnchorWorld 让第一人称视频跟着全身动作走,ABot-Earth 0.5 把卫星图变成能在网页地图里漫游的行星尺度三维高斯场景。

AnchorWorld 和 ABot-Earth 的区别:一个管交互、一个管尺度

AnchorWorld和ABot-Earth 0.5回答的是同一个大问题:「模型能不能生成一个世界?」但两份答案几乎不重叠。AnchorWorld 追求交互完整性:你戴着相机,全身动,周围的世界必须正确响应、几何上保持一致。ABot-Earth 0.5 追求尺度与可得性:给它普通卫星影像,它产出一个无缝、可漫游、能在浏览器里流式加载的三维地球。一篇论文检验的是「世界经不经得起一个活动的人」,另一篇检验的是「世界经不经得起整颗行星」。

这个对比之所以值得写,是因为两篇论文瞄准同一个买家:具身智能。机器人和无人机需要便宜、可控的环境来做训练与评测,而两篇论文从相反的方向砍成本。AnchorWorld 试图让一个又小又闭环的第一人称世界可信到能依赖;ABot-Earth 试图让一个又大又开放的世界便宜到能在地球任意角落部署。

两种相反的设计

AnchorWorld以三维人体动作和初始第一人称画面为条件,生成第一人称视频。它的核心难点是:第一人称相机看得见手和手臂,却看不见自己的全身,模型必须推断身体其余部分在场景里的位置。作者的解法是引入与智能体自身感官解耦的外部视角辅助监督,让模型即使在被第一人称画面截断时,也学得会全身与环境的空间关系。第二个机制是世界定制:在世界坐标系里定义锚点视角(anchor view),配上文字描述来规定局部场景如何随时间演化。模型分四个渐进阶段训练(第三人称动作、第一人称动作、静态场景、动态场景),各阶段训练数据分别为 200K+101K、100K、25K、25K+10K 条片段。

ABot-Earth 0.5是直接建立在三维高斯泼溅(3D Gaussian Splatting)表示上的生成式三维框架。它在真实城市重建上训练,重建由作者自研的 ABot-3DGS 管线完成,数据源是八个开源数据集,其中包括 UrbanScene3D(12.8 万图、55 平方公里)和 UrbanBIS(11.3 万图、10.78 平方公里)。推理时只需卫星影像,按 200 米乘 200 米的训练瓦片逐块生成新三维场景,并带层次化细节(LOD)结构:近景加载 zoom 17 到 19 的高精度瓦片,远景加载 zoom 14 到 15 的粗瓦片,通过 OGC 3D Tiles 规范导出,标准网页地图引擎即可渲染。作者报告已产出约 312,500 块生产瓦片,覆盖 190 多个国家的 300 多座城市。

这条光谱上还有第三个坐标:OmniDreams,一个闭环驾驶世界模型。它介于两者之间:像 AnchorWorld 一样交互,但为实时车辆仿真而设计,而不是人体具身控制。

关键数字

两篇论文从不在同一基准上评测,所以下表每一行都是不同的尺子:各论文自己的表内是同口径,跨论文之间不可直接比较。

维度AnchorWorldABot-Earth 0.5同口径?
输出形态跟随三维人体动作的第一人称视频由卫星影像生成的静态三维高斯地球不可直接比较
招牌指标动态自我场景 VideoAlign-TA 0.717(表 1)FID 16.1(表 2)指标不同,不可比
同表最强基线PlayerOne-Scene 0.449 VideoAlign-TAEarthCrafter 69.5 FID各自只与自己的基线比
动态场景保真PSNR 16.37 / SSIM 0.555 / LPIPS 0.486,对 CaM-Ego 14.57 / 0.501 / 0.574无对应视频指标仅 AnchorWorld 内部口径
训练成本四阶段共约 1,406 GPU 小时,16 张 80G 显卡(表 3)千卡集群单瓦片推理约 25 分钟单位不同,不可比
服务规模未报告312,500 块瓦片、300 多城、190 多国、每平方公里十分钟内仅 ABot-Earth
定制能力锚点视角加文字演化提示;锚点从 1 个增至 3 个,场景一致性 Mat. Pix. 4,074.94 升至 4,233.59(表 5)无;生成只以卫星影像为条件不可直接比较

这张表有三处读法值得强调。第一,AnchorWorld 在动态自我场景上 VideoAlign-TA 0.717 领先同表所有基线,且优势不是单一指标的偶然:PSNR、SSIM、LPIPS 与轨迹误差(ATE 0.048 对基线 0.067 到 0.083)同向变动。第二,ABot-Earth 的 FID 16.1 远低于城市级生成基线,但论文自己的表注就写明:基线的 FID 与 KID 用了不同的真值集、不同的位姿与视角计算,差距存在夸大成分。第三,两行成本用的是完全不同的单位(每阶段训练 GPU 小时 对 生产集群每瓦片分钟),任何「谁更便宜」的结论都只能是编造,本页不做这个结论。

怎么选

选 AnchorWorld的场景:瓶颈是小空间里的交互保真。如果你在训练或评测一个必须理解「世界如何响应自己身体」的具身智能体,你需要的正是这篇论文优化的东西:全身动作控制、视野外一致性,以及一套用锚点视角加文字来规定场景演化的机制。定制方案是它的差异点,因为它让你用脚本写世界状态变化,而不必重新采集数据。

选 ABot-Earth 0.5的场景:瓶颈是覆盖。如果你需要可导航的三维环境来做无人机航线、数字孪生原型或地理尺度的仿真沙盒,一套每平方公里十分钟内、只靠免费卫星影像的生成系统,把重建瓶颈整个拆掉了。开放性同样关键:Google Earth 只通过 API 提供稀疏扫描的重建结果,ABot-Earth 把自己定位成开放生成平台,覆盖在原理上是无限的。

今天不要二选一错配:AnchorWorld 生成不了可漫游的平方公里,ABot-Earth 也不会在人体动作上闭环。把 ABot-Earth 式的大地形生成接到 AnchorWorld 式第一人称交互上,是显而易见的研究空白,两篇论文都没有宣称做到。

局限与存疑

AnchorWorld 侧:评测是内部口径,所有基线数字都来自作者自己的表、自己的场景划分;论文没有报告闭环下游任务(在仿真里训练或评测的智能体迁移到真实世界)的结果。训练成本约 1,406 GPU 小时(16 张 80G 显卡、四阶段),对一套输出是视频而非持久三维资产的系统来说不算便宜。锚点视角定制的场景演化主要以定性方式展示,定量表测的是静态与动作保真,没有测「被规定的演化本身在长时程上是否忠实」。

ABot-Earth 0.5 侧:招牌 FID 对比带着作者自己的表注(真值集与视角不同),16.1 对 69.5 的差距应视为线索而非结论。具身智能的下游主张(闭环无人机导航、避障、控制)由仿真到现实的动机与定性地标融合来支撑,但正文没有报告任何导航成功率基准。版本号叫 0.5 是有原因的:300 多城听起来是行星尺度,但作者注明性能主要在都会区与部分非城市地形上验证,几何质量取决于输入卫星影像与上游 ABot-3DGS 重建的质量。

跨论文的诚实声明:上表左列与右列的任何数字回答的都是不同问题。AnchorWorld 的指标问「世界对人的响应是否正确」,ABot-Earth 的指标问「生成的地球像不像真的」。给两篇论文排名没有意义,本页刻意不做。

常见问题

AnchorWorld 是怎么控制世界的?

AnchorWorld 以三维人体动作加初始第一人称画面为条件生成视频;定制世界时,用户在世界坐标系里定义锚点视角,配上文字描述规定局部场景如何演化,无需为每个场景重新训练。

ABot-Earth 0.5 生成一平方公里要多久?

论文报告的可扩展生成速率是每平方公里十分钟以内,输入只需卫星影像;千卡集群上单瓦片推理约 25 分钟。已部署系统约 312,500 块瓦片,覆盖 190 多个国家的 300 多座城市。

AnchorWorld 和 ABot-Earth 的数字能直接对比吗?

不能。AnchorWorld 的 VideoAlign-TA、PSNR、SSIM、LPIPS 测的是其自有场景切分上的动态第一人称保真;ABot-Earth 的 FID 与 KID 测的是生成三维地球瓦片的图像真实感,且论文自己就注明了真值集的保留条件。指标、数据集、测试台架完全不同。

做具身智能评测,哪一篇帮助更大?

二者对应不同的失效模式。AnchorWorld 提供可交互的第一人称世界,用来测智能体在动态场景与自身具身上的表现;ABot-Earth 提供地理尺度的静态环境,面向无人机航线仿真这类导航任务。两篇论文都没有为自己的一侧报告完整的闭环迁移基准。