大晓机器人开源Puffin-World：一个模型把物理几何外观塞进同一世界

先说结论：大晓机器人联合南洋理工S-Lab发了个开源的世界模型框架，叫Puffin-World。这东西有意思的地方，在于它第一次把物理、几何、外观三种东西，塞进了一个统一的多模态框架里。

机器人要的不是漂亮视频

很多人对世界模型有个误解，以为就是生成更逼真的视频。其实机器人训练真正需要的，是一套能支撑感知、定位、规划和行动的环境信息：当前相机什么姿态、重力方向稳不稳、场景结构怎么延续、机器人动了之后会看到什么。

图像只是世界状态的一部分。物理方向、空间几何、视觉外观，这三样加在一起，才是机器人真正需要的训练环境。Puffin-World做的，就是把这三样统一到一个模型里。

一个模型干四件事

第一，单图理解相机物理信息。输入一张图，它能结合地平线和场景构图做空间推理，预测相机的横滚角、俯仰角和视场角，还能生成场景语义描述。

第二，自由视点空间仿真。你可以明确指定相机方向和视场角，它按目标机位生成画面，让文生图从内容控制走向精确的空间控制。

第三，三维世界生成与重建。从文字、单图或少量参考图出发，按指定轨迹生成多个新视角，还能同步预测每个视角的外观和深度。

第四，闭环自校准探索。相机姿态偏离重力方向时，它先感知状态，再推理修正动作，再生成执行后的观察，形成一个闭环。

数据底座才是硬通货

这次它开源的不只是模型和代码，还有Puffin-16M数据集：1500万组视觉语言相机三元组、100万条带挑战性的旋转轨迹，以及覆盖28个公开数据集、约4450万张图像的绝对相机位姿标注。

我跑数据的时候一向看重这个——模型会过时，但高质量、带精确位姿标注的数据，是能长期复用的硬资产。这份数据集对做机器人仿真和合成数据的人，价值比模型本身还大。

这件事的行业意义

世界模型这赛道，现在大多还在卷视频生成的观感。Puffin-World的路线不一样，它回到机器人训练的本质需求上，去解决位姿、重力、几何这些硬约束。

我的判断是：具身智能要往前走，世界模型必须从会生成好看的视频，进化到能生成可用的训练环境。这条路难走，但方向是对的。