AnchorWeave 开源：靠局部几何记忆，用单张图生成可行走 3D 视频

玩游戏时你转个身再转回来，身后的柱子和桌子理应还在原地。但在大部分视频生成模型里，AI 就像只有几秒记忆的金鱼，视线一移开，刚才的世界就被当场擦掉重画了。

交互式世界视频框架 AnchorWeave 正式开源。它解决的核心问题很明确：怎样只用一张起始图片，就扩展出一个能用键盘自由走动的 3D 视频世界，而且怎么转头都不会穿帮。

把大场景拆碎，让 AI 真正记住空间

以往做长序列、相机可控的 3D 场景视频，主流思路通常是先在后台重建一个全局 3D 几何模型。但问题在于，多视角下的相机位姿和深度估计总有微小误差，拼在一起就会累积成全是噪点的畸形几何，反过来彻底毁掉生成画面。

AnchorWeave 的思路没有硬磕全局重建，而是换成了「局部几何记忆」。它把场景切成多个更小、更干净的局部块，只在需要的时候按轨迹检索出来。

紧接着，它靠一个「多锚点编织控制器」把这些局部记忆缝合进正在生成的视频里，协调不同视角间的几何错位。这就保证了你在虚拟空间里调头巡视时，之前的物理陈设依然稳稳留在原地。

键盘控制自由走动，单次生成 81 帧

在使用方式上，AnchorWeave 只需要输入一张静止图作为起点。你可以通过键盘上的 WASD 键或者方向键决定镜头的移动轨迹，直接漫游整个场景。

目前初版单次迭代最多生成 81 帧，换算下来大概是几秒钟的片段。不过由于每次生成的局部空间都有几何锚点锁定，你可以通过多次迭代接力渲染，把可行走的视频一直延长下去。

除了常规的第一人称探索视角，它还支持第三人称视角输入。比如给出一个角色在场景里移动的指令，模型也能生成动作连贯、背景稳定的动态视频。

开发团队目前已经在 GitHub 放出了完整代码和本地部署说明，论文也同步上线。现阶段模型基于开源的 CogVideoX 构建，后续还计划接入更强大的底座模型来改善画面细节。

为什么重要

世界模型（World Models）被看作下一代游戏引擎和机器人模拟器的核心，但「空间一致性」一直是卡死落地的硬骨头。如果用户走两步路地图就重构一次，交互式体验就无从谈起。

AnchorWeave 最聪明的地方在于做减法。它意识到在当前的神经网络精度下，强行缝合一个大而全的全局 3D 场景注定会崩塌，不如只在视线所及的范围内检索局部空间，再靠控制器把它织平。

对独立游戏开发者和 3D 内容创作者来说，单图直接拉出一段可走动的 3D 视频，意味着快速概念验证的门槛被彻底打穿了。你甚至不再需要先在 Blender 里搭白模。

不过它目前的短板也很现实。基于 CogVideoX 打造让初版的清晰度和质感稍显粗糙，81 帧的单次上限也意味着长视频仍需切片迭代。但它至少证明了一件事：让生成视频具备真正的 3D 空间持久性，不用死磕昂贵的全局重建也能跑得通。