李飞飞押注、CVPR 2026获大奖！空间智能爆发，这家中国公司正在打造3D世界的“GPT接口”！

当下，世界模型（World Model）已成为 AI 行业最火热的赛道之一。视频生成在全面转向通往物理 AI 的世界模型；具身智能中的 VLA 顶流地位不保，逐渐被世界动作模型（World Action Model）占据。但关于什么是世界模型，大家还没有达成共识。

AI 科学家李飞飞在 6 月 4 日发布长文，对世界模型的定义和发展方向进行了系统性阐述。她将世界模型划分为渲染器（Renderer）、模拟器（Simulator）、规划器（Planner）三大功能形态，并称：模拟器是实现 AI 融入真实物理世界的核心关键，领域内最困难的未解问题也都集中在模拟器。6 月 13 日，李飞飞联合创立的 World Labs 更是一次性发布了三篇突破性论文，全部聚焦于 3D 生成、4D 生成任务。

无独有偶，刚刚落幕的 CVPR 2026 国际计算机视觉顶级会议上，3D 重建、3D 生成、空间建模相关研究包揽最佳论文、最佳学生论文等重磅奖项。学术圈与工业界形成共识：想要做强模拟器类的世界模型、落地物理 AI 与具身智能，真实场景三维数字化技术是无法绕开的底层底座。

而在国内，一家深耕空间数字化十余年的公司，已经提前布局这场变革，它就是——如视科技（Realsee）。如视基于空间大模型 Argus 1.0 推出的 Argus 1.0 Skill 已支持 Claude Code、Codex 等多个大模型平台，也让更多开发者开始关注这个长期低调的空间智能玩家。

从图像到 3D：Argus 1.0 补齐世界模型短板

在过去很长一段时间里，3D 重建一直是计算机视觉领域最困难的问题之一。传统方案通常需要：多视角采集、大量特征匹配、复杂几何优化、漫长计算时间，整个流程不仅复杂，而且对数据质量要求极高。而 Argus 1.0 试图改变这一切。

如视推出的空间大模型 Argus 1.0 最大的特点在于：支持全景图输入，实现单张或多张全景图到 3D 空间的毫秒级转换，可以推理出所有图像带绝对尺度的相机位姿、深度图和点图。

Argus 1.0 技术原理

• 首创全景图输入：业界首个支持全景图输入的深度推测大模型，能兼容单张或多张照片及 AI 生成的图片。
• Transformer 架构：基于 Transformer 构建的前馈式神经网络模型，显著提升模型的性能，实现高精度的空间重建。
• 大规模真实数据训练：覆盖多种场景，确保模型生成的三维空间具有高可靠性、高泛化性。
• 毫秒级实时重建：通过优化算法和架构设计，快速响应输入，提供无感知的用户体验。 

Argus 1.0 Skill 上线

从 TensorFlow 到 PyTorch，从 GPT、Claude Code API 到各种 Agent 工具链，每一次技术革命真正爆发的标志，都是能力被标准化调用。而 Argus 1.0 Skill 正在做的事情，本质上也是如此。它让空间智能从一个复杂研究课题，变成一种可调用的基础能力。换句话说：如视正在尝试把空间能力做成“API化的空间操作系统”。

Argus Skill 的核心能力：空间深度估计、相机位姿估计等，可以应用于空间拼接 、多视角对齐 、VR 空间生成 、数字孪生等，而且可以应用于水电纪录、临展纪录、餐厅展示等生活化场景。未来还将开放：空间 CAD 自动生成、空间物体检测与分割、空间语义识别、空间编辑与再加工、漫游视频生成。

Argus 1.0 Skill（体验版）已经发布到 github 上，强烈推荐大家试玩：

https://github.com/realsee-developer/skills

为什么 Argus 1.0 能领先？空间数据是核心护城河

AI 行业有一句老话：模型决定上限，数据决定下限。放在空间智能领域，这句话甚至还不够准确。因为很多时候：数据既决定上限，也决定下限。

空间智能最大的挑战，不是模型框架，而是真实世界。因为现实空间远比图片复杂，不同房型，不同装修，不同设备，不同光照，不同遮挡，甚至同一个房间，在不同时间拍摄都会出现巨大差异。当前很多公司、实验室依赖合成数据、小规模场景、单一采集设备所训练出来的3D模型可以在特定环境下表现优异，但是一旦进入真实世界，效果往往大打折扣。而这恰恰是如视最大的优势所在。 

如视十年积累的空间数据资产

如视长期专注于空间数字化领域。过去十余年间，基于全球 70 余个国家与地区真实场景全面采集，积累了超 5800 万的全球最大三维空间数据库 —— 精确还原物理空间布局，支持用于导航、场景理解与闭环仿真。这些数据覆盖：住宅空间、商业空间、零售空间、工业空间。这种规模和丰富度，在行业内算是“独一份”。 

对于空间大模型而言，这意味着模型训练过程中能够接触到足够丰富的真实世界空间分布，从而获得更强的：空间推理能力、场景泛化能力、多源数据适应能力，这也是 Argus1.0 能够实现高精度空间重建的重要基础。

如视在数据集开源领域也硕果累累。在 2025 年底，如视重磅开源了 REALSEE 3D —— 全球目前最大的面向室内 3D 感知与重建的多视角 RGB-D 数据集，含 10,000 个室内场景，配套全景 RGB-D、CAD / 平面图、语义分割与 3D 检测标注。相较于之前较大规模的 Habitat 数据集，Realsee3D 在真实场景规模上达到其 10 倍以上。REALSEE 3D 数据集旨在推动室内三维感知、重建与场景理解领域的研究。凭借出色的质量，该数据集得到了相关从业者的广泛认可与高度评价。 

REALSEE 3D 数据集下载链接：

https://github.com/realsee-developer/RealSee3D

真实场景驱动，赋能具身智能训练场

依托体量庞大、类型丰富的真实三维数据资产，如视不仅能支撑大模型训练与日常三维重建工作，还可以基于标准化实景三维资产搭建专业训练环境，深度适配当下火热的具身智能与模拟器研发需求。也就是说，物理 AI 爆发前夜，如视正在补齐真实世界训练场的关键一环。

如视的十年耕耘：技术、专利与产业落地

AI 行业经常出现一种现象：论文很多，Demo 很多，真正落地很少。如视科技的不同之处在于：它已经经历了产业验证。长期以来，如视保持高强度研发投入，年均研发投入超过 2 亿元，团队也已积累了 600 余项国内外授权专利。

• 学术方面，如视科技的科研成果近年来多次入选 CVPR、ICCV 等国际顶会。
• 硬件方面，如视已经建立起从消费级到专业级的全场景空间采集产品矩阵。如今，这些产品和技术已服务于房产、零售、工业、文旅和展馆等九大行业超过 3000+ 品牌客户。

世界模型的“GPT”时刻，已经来了吗？

当下，AI 正在完成一次关键跃迁：从读懂文字图片，到解析和重建整个物理世界。结合李飞飞对世界模型的分类不难看出，主打物理仿真的模拟器，是下一代 AI 的核心方向，而实景三维数字化就是它的地基。如视科技打造的 “扫描硬件 + 三维大模型 + 开放接口” 全链条体系，正在持续夯实这一地基。

当线下的每一个场景都能快速变成数字模型，当机器人能精准理解周遭环境与物理规则，物理 AI 的下一个黄金时代也就真正到来了。你觉得，主打真实场景的模拟器世界模型，“GPT”爆发时刻已经来了吗？