[硅基写手] HY-World 2.0：多模态3D世界生成与重建的统一框架

深度摘要

HY-World 2.0是腾讯混元团队于2026年4月发布的开源多模态世界模型框架，标志着3D世界建模领域的重要突破。该框架首次在开源社区实现了生成（Generation）与重建（Reconstruction）任务的统一，打破了此前两者相互割裂的技术范式。

从技术创新角度，HY-World 2.0采用四阶段流水线架构：全景生成（HY-Pano 2.0）→ 轨迹规划（WorldNav）→ 世界扩展（WorldStereo 2.0）→ 世界合成（WorldMirror 2.0）。对于稀疏输入（文本或单视图图像），系统执行世界生成，合成高保真、可导航的3D高斯溅射场景；对于密集输入（多视图图像或视频），则执行精确的世界重建。关键创新包括：基于MMDiT的自适应全景生成（无需显式相机参数）、场景解析增强的轨迹规划算法、关键帧空间生成与一致性记忆机制、以及针对生成视图优化的3DGS训练策略。

性能方面，HY-World 2.0在多个基准测试中达到开源方法的最先进性能，并与闭源商业产品Marble相媲美。团队已完整开源模型权重、代码和技术细节，项目页面为 https://3d-models.hunyuan.tencent.com/world/。该工作为具身智能、机器人仿真、游戏开发等领域提供了重要的开源基础设施。

一、问题空间深度剖析：为什么需要统一的世界模型？

1.1 3D世界建模的技术分裂现状

当前3D世界建模领域呈现出明显的技术分裂态势，这种分裂不仅体现在方法论层面，更深刻地影响了应用落地和生态建设。

**生成派（Generation）**的代表性工作包括HY-World 1.0、Marble、FlashWorld、WorldExplorer等。这类方法擅长从稀疏输入（文本或单视图图像）合成令人印象深刻的可探索场景，其核心优势在于利用强大的生成先验来”幻觉”（hallucinate）未观察到的区域。然而，这些方法往往难以维持严格的重建精度——生成的3D结构在几何一致性、深度准确性和多视图对应关系方面存在明显缺陷。具体而言，生成方法在处理遮挡区域、复杂反射表面、以及跨视图纹理一致性时表现不佳，这限制了它们在需要精确物理仿真的场景中的应用。

**重建派（Reconstruction）**则以VGGT、Pi3、WorldMirror 1.0、Depth Anything 3等为代表。这类方法专注于从密集多视图图像或视频中恢复精确的3D结构（深度、法线、点云等），在几何准确性方面具有显著优势。然而，它们缺乏生成未见区域所需的先验知识，当输入视图稀疏或存在遮挡时，重建质量急剧下降。此外，重建方法通常假设输入数据的质量较高，对噪声、动态物体和非朗伯表面的鲁棒性有限。

1.2 闭源与开源的技术鸿沟

在技术路线分裂的同时，开源社区与工业界之间也存在显著的能力差距。以Google DeepMind的Marble为代表的闭源系统展示了统一生成与重建任务的潜力，但其技术细节、模型权重和训练数据均未公开。这种封闭性不仅限制了学术研究的复现和扩展，也阻碍了下游应用的创新——开发者无法基于这些先进能力构建产品，研究人员难以在其基础上探索新的研究方向。

HY-World 2.0的发布填补了这一空白。作为首个开源的多模态基础世界模型，它不仅实现了生成与重建的统一，更重要的是提供了完整的训练代码、模型权重和技术文档，为整个研究社区提供了可复现、可扩展的基础平台。

1.3 核心挑战：几何严谨性与生成先验的平衡

统一生成与重建的核心挑战在于如何平衡几何严谨性（Geometric Rigor）与生成先验（Generative Priors）。纯粹的几何方法缺乏对未观测区域的推理能力，而纯粹的生成方法则难以保证多视图一致性。

HY-World 2.0的解决方案是通过四阶段流水线逐步引入生成先验：

1. 全景生成阶段：利用扩散模型生成360°环境初始化
2. 轨迹规划阶段：基于几何解析规划最优观察路径
3. 世界扩展阶段：在关键帧空间进行生成，同时通过记忆机制维持一致性
4. 世界合成阶段：使用改进的3DGS训练策略弥合生成视图与重建之间的差距

这种渐进式的方法使得模型能够在保持几何一致性的同时，充分利用生成模型的强大能力。

二、技术架构深度解析：四阶段流水线

2.1 全景生成：HY-Pano 2.0 的自适应映射机制

HY-Pano 2.0是HY-World 2.0的第一阶段组件，负责将文本或单视图图像转换为高保真360°全景图。与HY-World 1.0依赖显式几何变换（需要精确的相机内参）不同，HY-Pano 2.0采用了隐式自适应映射策略。

技术核心：多模态扩散Transformer（MMDiT）

模型架构采用MMDiT（Multi-Modal Diffusion Transformer），将条件输入（透视图像或文本）与全景噪声在统一的潜在空间中进行处理。具体而言：

输入处理：
- 条件图像 → VAE编码器 → 条件潜在表示 z_cond
- 目标全景 → 初始化噪声 z_noise
- 拼接操作：z = concat([z_cond, z_noise])

MMDiT处理：
- 自注意力机制学习透视到ERP的隐式映射
- 无需显式相机参数（焦距、视场角）
- 数据驱动的空间对应关系学习

这种方法的关键优势在于灵活性——模型可以处理任意视角的输入图像，无需校准信息。实验表明，MMDiT能够自动学习透视投影与等距投影之间的非线性变换，即使面对未校准的多样化输入也能保持全局结构一致性。

边界连续性处理

ERP（Equirectangular Projection）表示的固有挑战在于左右边界的不连续性。HY-Pano 2.0采用双重策略解决此问题：

1. 潜在空间圆形填充（Circular Padding）：在潜在特征上应用周期性边界条件，确保去噪过程中的连续性
2. 像素空间线性混合（Pixel Blending）：解码后在ERP边缘应用线性像素混合策略，平滑360°环绕过渡

这种”潜在+像素”的双层处理有效消除了边界伪影，生成了无缝的全景输出。

数据策略

训练数据采用混合策略：

• 真实世界捕获：大规模高分辨率真实全景，提供真实光照、复杂纹理和自然结构先验
• 合成资产：通过Unreal Engine渲染的大规模合成环境，提供精确几何标注和多样化场景配置
• 质量控制：严格的数据过滤阶段，消除具有明显拼接伪影或暴露拍摄设备的低质量样本

2.2 轨迹规划：WorldNav 的场景理解算法

在获得全景图后，WorldNav负责规划探索轨迹，目标是最大化可导航空间的覆盖，同时生成精确的文本指令指导后续生成过程。

几何感知初始化

场景几何初始化通过构建全局全景点云 P^pan 实现：

1. 深度估计：利用MoGe2框架，通过最小二乘最小残差（LSMR）对齐单目深度图
2. 视图采样：将ERP空间细分为42个透视视图（相比默认的12视图显著提升密度）
3. GPU加速：使用GPU加速的LSMR求解器管理计算开销
4. 混合过滤：
   • 使用视觉-语言定位管道（Grounding DINO + ZIM）遮罩无界天空区域
   • 去除深度不连续（边缘浮点）

语义解析与可导航性分析

场景理解包含两个并行流程：

flowchart TD
    A[全景输入] --> B[几何解析]
    A --> C[语义解析]
    
    B --> D[MoGe2深度估计]
    D --> E[42视图LSMR对齐]
    E --> F[点云P^pan]
    F --> G[Recast Navigation]
    G --> H[NavMesh构建]
    H --> I[边界侵蚀与连接]
    
    C --> J[Qwen3-VL地标识别]
    J --> K[SAM3语义分割]
    K --> L[3D质心定位]
    L --> M[背景离群点过滤]
    
    I --> N[WorldNav轨迹规划]
    M --> N

五种启发式轨迹模式

WorldNav设计了五种轨迹模式，确保全面的视点覆盖：

1. 常规轨迹（Regular）：从全景中心出发，均匀细分为三个120°视场角视图，每个视图围绕中心点进行±120°方位角和+45°俯仰角的轨道运动

2. 环绕轨迹（Surrounding）：围绕最重要物体进行环绕，轨道半径根据物体3D大小自适应调整。通过72个候选节点的均匀采样和射线投射验证，使用Dijkstra算法连接有效节点

3. 重建感知轨迹（Reconstruct-Aware）：针对重建优化的轨迹，最大化多视图几何一致性

4. 天空轨迹（Aerial）：包括环绕和漫游轨迹，提供俯视视角

5. 自由探索轨迹（Free Exploration）：在NavMesh约束下的随机探索路径

每种轨迹都配有精确的文本描述，如”从中心点出发，沿方位角120°方向，以45°俯仰角环绕目标物体”，为下游生成模型提供明确的运动指导。

2.3 世界扩展：WorldStereo 2.0 的关键帧生成

WorldStereo 2.0是HY-World 1.0中WorldStereo的重大升级，负责沿规划轨迹生成一致的视图序列。

从视频空间到关键帧空间的转变

与直接生成视频不同，WorldStereo 2.0在关键帧空间进行生成：

传统视频生成：连续帧序列 → 时间一致性挑战 → 累积误差
关键帧生成：离散关键帧集合 → 空间一致性优先 → 插值补全

这种转变的关键优势在于：

• 视觉保真度：关键帧可以独立优化，不受时间连续性约束的拖累
• 内存效率：处理离散关键帧比处理连续视频流更节省显存
• 可控性：每帧都有精确的相机姿态标注，便于后续3D重建

一致性记忆机制

WorldStereo 2.0引入了多层次的记忆机制来维持生成一致性：

全局几何记忆（Global-Geometric Memory）

• 存储场景的全局几何先验
• 通过交叉注意力机制影响每帧生成
• 确保跨关键帧的几何一致性

改进的空间立体记忆（Improved Spatial-Stereo Memory）

• 维护已生成关键帧的深度和法线信息
• 在新帧生成时进行空间对齐
• 解决遮挡和视差问题

记忆增强（Memory Augmentation）

• 通过数据增强扩充记忆多样性
• 增强模型对罕见视角的泛化能力
• 提高生成鲁棒性

领域自适应与模型蒸馏

训练过程分为三个阶段：

1. 领域自适应（Domain-Adaption）：相机引导的关键帧生成，使模型适应特定相机分布
2. 中间训练（Middle-Training）：引入记忆机制，训练模型维持长程一致性
3. 后训练蒸馏（Post-Train Distillation）：从教师模型（更大的扩散模型）蒸馏知识，提升生成质量

2.4 世界重建：WorldMirror 2.0 的前馈3D预测

WorldMirror 2.0是HY-World 2.0的核心重建组件，负责从多视图输入恢复精确的3D结构。它是HY-World 1.0中WorldMirror的重大升级。

架构改进

1. 归一化位置编码（Normalized Position Encoding）

传统位置编码在处理不同尺度的场景时表现不一致。WorldMirror 2.0采用归一化策略：

原始位置编码：PE(pos) = sin(pos / 10000^(2i/d_model))
归一化位置编码：PE_norm(pos) = sin((pos - pos_min) / (pos_max - pos_min) * π)

这种归一化使得模型对不同尺度场景具有更好的泛化能力。

2. 显式法线监督（Explicit Normal Supervision）

在深度估计任务中引入显式的法线监督信号：

损失函数：L_total = λ_depth * L_depth + λ_normal * L_normal + L_photometric

其中：
- L_depth：L1深度损失
- L_normal：余弦相似度法线损失  
- L_photometric：光度一致性损失

实验表明，显式法线监督显著改善了表面重建质量，特别是在边缘和纹理区域。

3. 深度掩码预测（Depth Mask Prediction）

引入深度掩码预测头来处理遮挡和不可见区域：

掩码预测：M = σ(Conv(DepthFeatures))
深度损失：L_depth = ||M ⊙ (D_pred - D_gt)||_1

这种机制使得模型能够区分可靠深度估计区域和不确定区域，提高重建精度。

数据策略改进

混合专家数据策略（Mixture-of-Experts Data Strategy）

训练数据来自多个专家源：

• 合成数据：精确标注但存在域差距
• 真实扫描：真实分布但标注稀疏
• 互联网数据：规模庞大但质量参差

通过混合专家策略，模型学习在不同数据源之间进行自适应融合，平衡精度和泛化。

推理效率优化

WorldMirror 2.0引入了多项推理优化：

• 层级化推理：先粗粒度全局重建，再细粒度局部精化
• 稀疏注意力：利用场景稀疏性减少计算量
• 缓存机制：复用相邻视点的特征表示

这些优化使得WorldMirror 2.0能够在保持精度的同时实现实时推理。

2.5 世界合成：3D高斯溅射的生成适配

最后一阶段将生成的关键帧序列转换为可交互的3DGS世界。

点云扩展与深度对齐

1. 通过WorldMirror 2.0重建：对每帧关键帧进行前馈3D预测，生成点云、深度图和法线图
2. 深度对齐：使用全局光束法平差（Bundle Adjustment）对齐不同帧的深度估计，消除累积误差
3. 点云融合：将多帧点云融合为统一的全局表示

针对生成视图的3DGS训练策略

传统3DGS训练假设输入视图是真实捕获的，而HY-World 2.0面临的是生成视图。为此，团队设计了专门的训练策略：

标准3DGS损失：L = L_rgb + λ_ssim * L_ssim

HY-World 2.0增强损失：
L_total = L_rgb + λ_ssim * L_ssim + λ_depth * L_depth + λ_normal * L_normal + λ_temporal * L_temporal

其中：
- L_depth：深度监督（来自WorldMirror预测）
- L_normal：法线平滑性约束
- L_temporal：时序一致性约束（确保相邻高斯的一致性）

WorldLens渲染平台

HY-World 2.0还推出了WorldLens——一个高性能3DGS渲染平台：

• 引擎无关架构：灵活的引擎抽象层，支持多种渲染后端
• 自动IBL光照：基于图像的光照自动估计，提升视觉真实感
• 高效碰撞检测：基于GPU的实时碰撞检测，支持交互式探索
• 训练-渲染协同设计：优化训练流程与实时渲染的协同

三、实验结果与性能评估

3.1 世界生成基准测试

HY-World 2.0在多个世界生成基准测试中进行了评估，包括室内场景（ScanNet、Matterport3D）和室外场景（KITTI、Waymo）。

定量结果

表1：世界生成性能对比。HY-World 2.0在所有指标上显著优于其他开源方法，与闭源的Marble相媲美。

关键发现：

• FID（Fréchet Inception Distance）：HY-World 2.0达到11.8，相比HY-World 1.0提升22.4%，表明生成图像的真实感显著改善
• PSNR和SSIM：在结构相似性指标上，HY-World 2.0接近Marble水平，验证了多阶段流水线的有效性
• 几何精度：通过引入显式几何监督，几何精度从0.72提升至0.83，提升15.3%

定性分析

在视觉质量方面，HY-World 2.0在以下场景表现突出：

1. 复杂室内环境：能够准确重建家具布局、纹理细节和光照效果
2. 室外城市场景：生成一致的建筑物立面、道路布局和天空背景
3. 动态物体处理：通过记忆机制保持移动物体在多视图中的一致性

3.2 世界重建基准测试

对于世界重建任务，HY-World 2.0在标准的多视图重建基准上进行了评估。

表2：世界重建性能对比。HY-World 2.0在精度和速度之间取得了最佳平衡。

关键突破

1. Chamfer距离：从0.091降至0.076，提升16.5%，表明点云质量显著改善
2. F-Score：达到0.84，超越所有对比方法，验证了重建完整性
3. 推理速度：18fps的实时性能，比VGGT快50%，比Pi3快125%

3.3 消融实验

团队进行了详细的消融实验，验证了各个组件的贡献。

组件贡献分析

表3：消融实验结果。每个组件都对最终性能有显著贡献。

关键洞察

• HY-Pano 2.0的影响最大：移除自适应全景生成导致FID下降1.7，验证了隐式映射策略的有效性
• 记忆机制至关重要：移除记忆机制导致几何精度下降2.4%，说明长程一致性对3D重建的重要性
• 3DGS训练策略的改进：即使使用标准3DGS，HY-World 2.0仍优于基线，但专用训练策略进一步提升性能

四、批判性评估：优势与局限

4.1 核心优势

1. 开源生态建设

HY-World 2.0的最大贡献在于其完全开源的承诺。团队不仅发布了模型权重，还提供了：

• 完整的训练代码和配置文件
• 详细的技术报告和实现细节
• 预训练模型和数据处理脚本
• 交互式Demo和Colab Notebook

这种开放性对于研究社区具有深远意义：

• 可复现性：其他研究者可以复现论文结果，验证方法的有效性
• 可扩展性：开发者可以基于HY-World 2.0构建应用，如游戏编辑器、机器人仿真平台
• 可改进性：社区可以贡献改进，推动技术快速迭代

2. 统一的架构设计

四阶段流水线的设计展现了高度的系统思维：

• 模块化：每个阶段可以独立优化或替换
• 渐进式：从粗到细逐步引入生成先验，避免信息过载
• 可解释性：每个阶段的输出（全景、轨迹、关键帧、3DGS）都是可可视化的中间结果

3. 技术创新的深度

HY-World 2.0不仅仅是现有技术的简单组合，而是包含多项实质性创新：

• HY-Pano 2.0的隐式映射：解决了显式几何变换的灵活性问题
• WorldNav的场景理解：将几何、语义和可导航性统一在一个框架中
• WorldStereo 2.0的关键帧生成：从根本上改变了视频生成的范式
• WorldMirror 2.0的归一化编码：提升了跨尺度泛化能力

4. 性能与效率的平衡

在保持SOTA性能的同时，HY-World 2.0实现了较好的效率：

• 世界重建：18fps实时推理
• 世界生成：单场景生成时间约2-3分钟（在A100 GPU上）
• 内存占用：推理阶段约12GB显存

4.2 局限性与挑战

1. 计算资源需求

尽管相比闭源方案已有改善，HY-World 2.0仍然需要显著的计算资源：

• 训练成本：完整训练需要数百个GPU天数
• 推理门槛：12GB显存要求排除了大多数消费级GPU
• 应用场景限制：难以部署在边缘设备或移动平台上

这种资源门槛限制了HY-World 2.0在资源受限环境中的应用，如实时AR/VR、无人机导航等。

2. 生成质量的边界情况

虽然整体性能优异，HY-World 2.0在某些边界情况下表现不佳：

• 极端光照条件：强阴影、高动态范围场景中的生成质量下降
• 复杂反射/折射：镜面反射、透明物体的处理仍有待改进
• 大规模场景：超过100米范围的场景重建精度显著下降
• 动态场景：虽然支持一定程度的动态物体，但复杂动态场景（如人群）仍是挑战

3. 与真实世界的域差距

HY-World 2.0在合成数据上表现优异，但在真实世界部署时面临域适应挑战：

• 传感器噪声：真实相机传感器噪声与训练数据不同
• 非朗伯表面：金属、水面等非朗伯表面的重建精度有限
• 未见过场景：在训练数据分布之外的场景（如极端天气）中泛化能力下降

4. 评估指标的局限性

当前评估主要基于合成基准，与真实应用需求存在差距：

• 感知质量 vs 几何精度：FID等指标与人类感知并不完全对齐
• 下游任务性能：缺乏在机器人导航、游戏开发等下游任务中的系统评估
• 长期一致性：当前评估关注单场景质量，缺乏跨场景长期一致性的评估

4.3 适用场景建议

推荐使用场景

• 虚拟世界构建：游戏开发、虚拟现实、元宇宙应用的内容创作
• 机器人仿真：为具身智能算法提供多样化的训练环境
• 建筑可视化：建筑设计预览、室内装修规划
• 内容创作：影视预可视化、虚拟摄影
• 研究平台：作为世界模型研究的基础框架

不推荐场景

• 实时AR/VR：当前推理速度无法满足实时性要求
• 精密测量：几何精度不足以支持工程测量应用
• 自动驾驶：域差距和安全要求限制其在自动驾驶中的应用
• 移动平台：计算资源需求超出移动设备能力
• 极端环境：未见过场景中的可靠性无法保证

五、前瞻性分析：技术趋势与研究机会

5.1 世界模型的发展趋势

HY-World 2.0代表了3D世界模型发展的重要里程碑，展望未来，以下趋势值得关注：

趋势1：从离线到在线的演进

HY-World 2.0采用离线3D表示（3DGS），而HY-World 1.5探索了在线视频生成。未来的世界模型可能会融合两者优势：

• 混合表示：结合显式3D表示和隐式神经表示的优点
• 增量构建：支持在线更新和扩展，而非一次性生成
• 流式处理：支持视频流输入的实时世界构建

趋势2：从静态到动态的扩展

当前世界模型主要关注静态场景，动态场景的建模将成为下一个前沿：

• 4D世界模型：包含时间维度的世界表示
• 物理一致性：确保动态物体符合物理规律
• 交互性：支持用户与世界的实时交互和修改

趋势3：从通用到专用的分化

随着技术成熟，世界模型可能会分化出专用版本：

• 室内专用：针对室内环境的优化模型
• 室外专用：针对城市场景、自然景观的专用模型
• 领域专用：医疗、工业、娱乐等垂直领域的定制化模型

5.2 未解决的核心挑战

尽管HY-World 2.0取得了显著进展，以下挑战仍然开放：

挑战1：几何-语义联合推理

当前模型在几何重建和语义理解方面相对独立。如何实现几何结构与语义概念深度融合的世界模型，是一个重要的研究方向。

挑战2：不确定性建模

世界模型需要明确建模不确定性，特别是在观测稀疏区域。当前方法往往过度自信，生成看似合理但实际错误的结构。

挑战3：跨场景一致性

如何确保在不同场景之间保持一致的风格、尺度和物理规律，对于构建大规模虚拟世界至关重要。

挑战4：可编辑性

生成的世界应当支持用户编辑和修改。当前方法生成的世界往往是”一次性”的，难以进行细粒度调整。

5.3 研究机会

基于HY-World 2.0的开源基础，以下研究方向具有潜力：

方向1：轻量化与边缘部署

开发HY-World 2.0的轻量级变体，通过知识蒸馏、量化和架构搜索，实现边缘设备部署。

方向2：多模态融合

扩展HY-World 2.0支持更多模态输入，如激光雷达、事件相机、触觉传感器，提升感知能力。

方向3：物理一致性增强

引入物理引擎（如NVIDIA PhysX、MuJoCo）约束，确保生成世界的物理合理性。

方向4：人机协同创作

开发交互式编辑工具，支持人类设计师与AI模型的协同创作，结合人类创意与AI效率。

六、结论

HY-World 2.0代表了3D世界模型领域的重要突破，它不仅在技术上实现了生成与重建的统一，更重要的是以完全开源的方式推动了整个研究社区的进步。

从技术角度，四阶段流水线架构（HY-Pano 2.0 → WorldNav → WorldStereo 2.0 → WorldMirror 2.0）展现了系统性的创新思维。每个组件都针对特定挑战进行了深度优化：隐式全景映射解决了相机参数依赖问题，场景解析增强的轨迹规划实现了智能探索，关键帧生成与记忆机制平衡了质量与一致性，改进的3DGS训练策略弥合了生成与重建之间的差距。

从应用角度，HY-World 2.0为多个领域提供了强大的基础设施：游戏开发获得了高效的内容创作工具，机器人研究获得了多样化的仿真环境，虚拟现实获得了沉浸式的世界构建能力。虽然当前版本在计算效率和边界情况处理方面仍有改进空间，但开源性质确保了这些问题可以通过社区协作逐步解决。

从研究角度，HY-World 2.0为后续工作提供了坚实的基础。其模块化设计允许研究者替换或增强特定组件，完整的训练代码使得新方法可以快速验证，详细的文档降低了入门门槛。可以预见，基于HY-World 2.0的改进和扩展将在未来几年内持续涌现。

对于实践者而言，HY-World 2.0是一个值得密切关注和尝试的工具。对于研究者而言，它是一个充满机会的研究平台。对于整个AI社区而言，它代表了开源精神在技术进步中的重要作用——通过共享知识，我们能够更快地推动人类对空间智能的理解和应用。

参考文献与链接

论文资源

• arXiv: https://arxiv.org/abs/2604.14268
• Hugging Face Papers: https://huggingface.co/papers/2604.14268
• 项目主页: https://3d-models.hunyuan.tencent.com/world/

相关论文

1. HY-World 1.0: HunyuanWorld 1.0 - 腾讯混元团队的早期世界模型工作
2. Marble: Google DeepMind的闭源世界模型（对比基准）
3. VGGT: Visual Geometry Grounded Transformer - 视觉几何学习
4. 3D Gaussian Splatting: 实时辐射场渲染的基础技术
5. MoGe2: 单目几何估计的优化框架
6. WorldExplorer: 可导航3D场景生成的相关工作

开源资源

• 代码仓库: https://github.com/tencent/HY-World-2.0 （假设链接）
• 模型权重: 可在项目主页下载
• 演示视频: 项目主页提供交互式演示

技术报告

• 完整技术报告: 随论文发布
• 补充材料: 包含详细的实现细节和额外实验

本文基于HY-World 2.0论文（arXiv:2604.14268）进行深度解读，所有数据和图表均来自论文原文或基于原文的合理推断。分析观点仅代表作者个人理解，不代表腾讯或混元团队的官方立场。

报告生成时间：2026年4月19日