场景、地编与世界模型

“能走动的画面”可能是视频、3DGS、网格或结构化白模，它们的生产价值完全不同。信息截至 2026-07-14。

结论先行

评价 AI 场景之前，先问输出是什么。视频世界能即时呈现氛围和交互反馈，却不一定留下持久资产；3D Gaussian Splatting 可以自由换视角，但几何、碰撞和对象级编辑有限；网格可进入引擎，拓扑与语义仍可能不足；结构化白模视觉粗糙，却最容易承载尺寸、碰撞、导航、替换和团队协作。

原文 V0.1、V0.2、失败的 Agent 拼装和 2026 年地编白模组成一条清晰路线：从追求一张参考图的视觉还原，转向描述空间关系、复用资产、先在 Web 预览，再在 Unity 生成可编辑层级。Genie 3 的仙剑四、跳跳乐和拉力赛车实验则属于另一条路线，它们验证控制包装和即时可玩感，不应与“生成了游戏场景资产”混为一谈。

对实际项目，最稳的策略通常是双轨：用图像或世界模型探索氛围与镜头，用结构化白模保证玩法空间；二者经人工对齐，而不是要求一方直接替代另一方。

原文演进

有效方法

先选择输出形态

一开始不作选择，常导致团队拿视频评价几何，拿白模评价氛围，最后所有方案都显得失败。

用结构描述承载关卡意图

地编白模应描述功能区、路径、视线、落差、节奏、关键地标、出生点、目标点和资产实例，而不仅是对象列表。对象要有语义角色、尺寸、坐标参考系、父级、可替换资产 ID 和碰撞类型。结构可渲染为简化网页预览，也可由 Unity 工具生成 ProBuilder 网格或 Prefab。

把资产目录作为约束输入

失败的 Agent 拼装案例提醒我们：让模型想象任意资产再临时寻找，会出现命名不匹配、尺度不一致和风格混杂。生产工具应先读取已批准资产目录，包括缩略图、包围盒、pivot、标签、材质、变体和使用成本。模型负责选择与摆放，不负责发明不存在的资源。

分离宏观布局和局部装饰

第一轮只处理地形、主路、房间、平台、阻挡、入口出口和关键地标；第二轮才添加可替换的大型资产；最后做植被、碎物和视觉叙事。每层都能单独开关和重生成。这样当宏观构图失败时，不会被丰富小物件掩盖。

以玩法数据验证，不只看截图

验证项应包含可达性、最窄通道、最大坡度、跳跃距离、摄像机遮挡、战斗空间、导航网格覆盖、出生到目标时间和视线暴露。视觉模型可评价构图和参考相似度，确定性工具负责尺度、碰撞和路径。

失败原因

3DGS 的中心区域好，不代表完整世界好

V0.1 和 V0.2 的原文观察显示，输入图附近的视角较可信，背面容易拉伸、空洞或补全错误。3DGS 优化的是视图重现，不天然提供干净网格、封闭碰撞体和对象边界。若用途是固定机位背景或短距离浏览，这仍可接受；若要自由探索和交互，就会暴露限制。

“对象都有”仍可能没有关卡

失败案例中，布局参考、JSON、地形和 3D 资产并不缺，最终却显得稀疏。原因是关卡质量不由对象数量决定，而由层次、动线、尺度、节奏、遮挡和视觉焦点共同决定。模型按清单逐项放置，容易满足局部约束却没有全局构图。

世界模型的控制不是确定性模拟

跳跳乐和赛车通过输入影响后续画面，能形成可玩体验。但视频世界里的接触、速度和位置是生成模型连续性的表现，不等于引擎中的碰撞体、刚体、轮胎模型和赛道坐标。它适合研究、创意探索和轻量体验，不适合直接承担精确关卡或竞速规则。

全景扩展会累积语义漂移

从单图扩展到 360 度，再沿轨迹继续生成，每一步都可能改变建筑结构、物体身份和尺度。后续 3D 重建会把这些矛盾固化。需要记忆、深度、法线、相机和全局地图等条件约束，也仍需检测循环回到旧区域时是否一致。

当前技术进展

持久 3D 世界与视频世界开始分流

HY-World 2.0 官方仓库将输入扩展到文本、单图、多图和视频，输出 3DGS、mesh 和 point cloud，并提供 Unity、Unreal、Isaac 等导入方向。其完整 world generation 管线包含全景、轨迹规划、扩展、重建与 3DGS 训练。官方快速开始同时说明了较高工程门槛，例如世界生成阶段推荐多 GPU，并依赖 VLM 服务和编译组件。HY-World 2.0 官方仓库，访问于 2026-07-14

Genie 3 官方将其定义为实时交互世界模型，支持 720p、约 20 到 24 FPS 的生成式交互。官方也明确列出动作空间有限、多 Agent 互动、真实地点精确度、文字渲染和连续交互时长等限制。原文的两个玩法实验应据此归类为世界模型上的短时交互原型。Google DeepMind Genie 3，访问于 2026-07-14

研究开始强调可遍历、可编辑和可执行

WorldGen 将 LLM 布局、程序生成、3D 生成和对象分解组合为可遍历交互世界；SceneCode 把室内世界编译为可执行程序而非不透明网格；Map2World 使用用户给定的分割地图约束大尺度结构；2026 年 7 月发布的 EmbodiedGen V2 则以跨模拟器、交互能力和任务为目标，论文报告仍需在对应评测设置内理解。WorldGen、SceneCode、Map2World、EmbodiedGen V2，均访问于 2026-07-14。

编辑判断： 当前最明显的进展不是画面更逼真，而是研究和工具开始把地图、程序、对象语义、碰撞与任务条件当作输出的一部分。这与原文最终转向白模描述语言是同一方向。

推荐工作流

玩法指标和视觉参考
  -> 选择输出形态
  -> 区域与路径图
  -> 结构化场景描述
  -> 确定性白模预览
  -> 可达性和尺度验证
  -> Unity 层级与 Prefab
  -> 美术替换和实机测试

输入至少包括目标玩法、玩家能力、相机、世界单位、资产目录、平台预算和视觉参考。输出应包含场景描述源文件、Unity 场景或 Prefab、碰撞和导航信息、资源依赖、预览图、验证报告和生成记录。

人工检查点应放在区域图、第一版白模和美术替换后三处。第一处决定关卡意图，第二处验证空间，第三处防止美术资产改变碰撞、视线或节奏。Agent 的自动修正范围可覆盖悬空、穿插、超出边界、不可达和资产缺失，不应自行改变核心路线。

适用边界

适合：关卡白模；快速比较多种区域布局；从参考图提取空间语言；生成可替换的低模场景；固定视点背景的 3DGS；世界模型的创意和交互研究。

谨慎使用：开放世界、精确竞速、复杂多层导航、室内外无缝连接、破坏和物理交互、需要长时间状态一致的世界。

不值得使用：团队已有成熟模块化关卡工具且需求只是摆放少量资产；没有资产目录与尺度规范；只想把漂亮参考图强行还原为可生产世界；用视频世界结果替代碰撞、导航和物理实现。

原始文章与延伸阅读

本专题收录 7 篇原文。完整 URL、分级、状态和后续版本见文章索引。