新京报贝壳财经讯（记者罗亦丹）记者9月10日获悉 ，大晓机器人联合南洋理工大学S-Lab等机构发布并开源统一多模态世界模型框架Puffin-World 。作为面向空间智能与具身智能的成果 ，Puffin-World首次在一个统一多模态框架中，将物理 、几何和外观定义为三种原生的三维世界状态 ，并贯通重力场感知 、自由视点空间仿真、三维世界生成与重建以及闭环探索 ，预测机器人行动后世界将处于什么状态 。
针对机器人训练来说，需要的并不是一段视觉上逼真的视频 ，而是能够支撑感知 、定位、规划和行动的环境信息：当前相机处于什么姿态 ，重力方向是否稳定，场景结构如何延续 ，机器人移动后将看到什么。图像只是世界状态的一部分 ，物理方向 、空间几何和视觉外观共同构成机器人真正需要的训练环境 。
Puffin-World可以在一个模型中统一四类过去往往需要不同系统分别完成的任务，包括：
单图理解相机物理信息 。输入一张图片，模型能够结合地平线、垂直结构和场景构图进行空间推理 ，预测相机相对于真实物理世界的横滚角 、俯仰角和垂直视场角 ，同时生成场景语义描述。模型不仅识别“图中有什么”，还理解“当前视角以怎样的姿态看到了它 ” 。
自由视点空间仿真 。除文字描述外 ，用户还可以明确指定相机方向和视场角。模型据此生成符合目标机位的画面 ，使文生图从内容控制进一步走向精确的空间控制 。
三维世界生成与重建 。模型可以从文字 、单张图像或少量借鉴 图像出发，按照指定相机轨迹生成多个新视角 ，并同步预测每个视角的外观和深度。不同视角随后可以汇聚为具有一致空间结构的三维世界。
闭环自校准探索 。当相机姿态偏离重力方向时 ，模型可以先感知当前物理状态，再推理需要执行的修正动作 ，并生成动作执行后的目标观察 ，由此形成“状态感知—动作预测—结果生成—再次校准 ”的闭环 。
Puffin-World同步开源代码、模型和Puffin-16M数据集，包括1500万组视觉—语言—相机三元组和100万条具有挑战性的旋转轨迹 ，并开放覆盖28个公开数据集、约4450万张图像的绝对相机位姿标注 ，为机器人仿真 、合成数据生产与具身智能训练提供可复现 、可扩展的技术底座。
（文章来源：新京报）
