SpAItial 釋出 3D 世界模型 Echo-2：單張照片生成可漫遊場景，跑分超 Marble 1.1

現在的 AI 影片模型生成畫面很驚豔，但只要鏡頭一轉或者多走兩步，桌上的茶杯就變形了，遠處的門也憑空消失了。這其實是所有影片生成模型的通病：它們是在猜下一幀畫面，根本不懂什麼是真實空間。

AI 初創團隊 SpAItial 釋出了全新的 3D 世界生成模型 Echo-2。官方表示，它不再靠逐幀腦補畫面，而是直接從文本提示詞或單張照片裡，生成一個真正具備空間幾何一致性、可以讓人在裡面自由走動的 3D 虛擬世界。

不做連環畫，直接搭一個真 3D 空間

大多數 AI 影片模型是把畫面一幀一幀往後推，不僅極其消耗算力，還極容易發生幾何漂移。只要你讓鏡頭繞一圈回來，剛才的房間可能已經變了樣。

Echo-2 的思路完全不同。它在底層直接構建持久的 3D 場景表徵，一次性確定了空間的幾何佈局與外觀。使用者在裡面前後左右移動，場景都是固定且連續的，徹底避免了隨時間推移而變形的毛病。

更接地氣的是渲染方式。SpAItial 在網頁端採用了 3D 高斯潑濺技術（3DGS）。這意味著生成的場景不需要昂貴的工作站，直接在普通電腦的瀏覽器裡就能依靠 GPU 極速渲染，哪怕配置普通的硬體也能流暢漫遊。

不僅能看，它還能讓人隨意改動。模型內建了高精度的語義分割能力，能自動分清場景裡的桌子、椅子、地板和牆壁。如果你想重新裝修，只要輸入文字，就能單獨替換一把椅子或換掉牆皮，而周圍的傢俱佈局完全不受影響。對於建築設計和房產領域，它甚至能直接吃進一張二維戶型圖，快速拉起一套可漫遊的 3D 樣板間。

在評估世界模型生成質量的 WorldScore 基準測試中，SpAItial 稱 Echo-2 擊敗了強勁對手 World Labs 的最新模型 Marble 1.1，在內容匹配度、主觀審美質量以及綜合得分這三大核心指標上均實現了超越。

為什麼重要

世界模型這個賽道，正在從炫技式的概念演示，走向能落地的生產力工具。

對獨立遊戲開發者和空間設計師來說，Echo-2 顯著降低了三維資產和關卡搭建的門檻。過去給老房子做數字孿生或者給遊戲搭一個可探索的關卡，需要雷射掃描裝置或幾天的人工建模。現在一張照片或一段文字，幾分鐘就能拉出一個能在瀏覽器裡操作的基礎原型，甚至還能直接放進角色做玩法測試。

對整個 AI 行業而言，更深遠的影響在具身智慧。李飛飛創立的 World Labs 剛剛用 Marble 1.1 樹立了標杆，SpAItial 緊接著就用 Echo-2 叫板，說明空間智慧的競爭正在全面提速。機器人要想在現實世界幹活，必須先在虛擬模擬環境裡大量試錯。用廉價的單張照片生成高精度的虛擬空間，正好解決了機器人模擬訓練資料匱乏的最大瓶頸。

不過，目前的 Echo-2 解決的主要是靜態空間的幾何一致性。正如團隊自己所說，真正的難點在於物理規律和時間動態。如果場景裡的杯子掉下去不會碎、水龍頭擰開不會出水，那它就依然只是一個漂亮的佈景，離真正能訓練通用機器人的物理世界還有一段距離。但毫無疑問，邁出這一步，已經讓數字世界和現實空間的連線變得近了許多。