4月27日消息,蚂蚁集团旗下灵光App今日正式上线"体验世界模型"功能。用户在App对话框上传一张图片,点击系统推荐的"生成图中世界",或直接输入"帮我用第一人称视角探索这个世界"这类自然语言,App会从这张图出发生成一个可交互的3D世界,单次最长支持约60秒沉浸式探索;交互方式做成类似手游的双摇杆,左侧控制移动、右侧控制视角,秒级响应。
功能背后接的是蚂蚁灵波团队此前开源的世界模型 LingBot-World 的轻量化变体 LingBot-World-Fast,关键工程突破在于把世界模型这件原本要靠云端或企业级 GPU 集群才能跑的事推到了普通手机端侧,这是业内首次在移动端把世界模型做到分钟级长时一致性加实时可交互的程度。
功能本身:一张图 → 60 秒可走动的 3D 空间
操作链路非常短。打开灵光App,在对话框点击左下角加号上传一张图片,或者用相机直接拍一张;系统会根据图片内容智能推荐操作指令,其中之一就是"生成图中世界";点下去后秒级响应进入世界模型生成流程,画面被推到一个第一人称视角的可交互空间,用户用左摇杆走、右摇杆转视角,可以在 AI 生成的 3D 场景里四处看、绕过物体、靠近某个细节再退回来。整段沉浸式探索最长约 60 秒。
这个 60 秒不是渲染时长,而是用户在生成出来的世界里可持续游走、画面保持稳定一致的时间窗口——也是 Fast 版本相对完整版(近 10 分钟)做的最直接的妥协。整套交互的设计意图很明确:把世界模型这套学术概念翻译成普通人在地铁里也能玩明白的"上传图、走两步、看一眼"操作。
核心技术突破:把世界模型从云端推到端侧
要看清这次更新的份量,得把世界模型本身的位置摆出来。世界模型不是普通视频生成模型——Sora、Runway 这类做的是"预渲染",给一段提示词输出一段固定视频,用户不能干预过程;世界模型生成的是可交互的环境,画面会根据用户的实时操作(移动、转视角、点击)即时变化,本质上更像在跑一个 AI 现编出来的 3D 引擎。这件事过去主要在云端或工作站上做,原因是计算量太大,Google DeepMind 的 Genie 3 是闭源云端方案,蚂蚁今年 1 月开源的 LingBot-World 完整版也明确说明"完整版本需要企业级 GPU 集群"。 LingBot-World-Fast 这一支在最初的开源时间线上被标注为"尚待发布",这次灵光App里的"体验世界模型"功能,实际上就是 Fast 版本第一次以产品形态落到消费级硬件上,并且选择直接在手机端而不是先上 PC。端侧带来的两个直接好处:一是不需要排队等云端推理资源,秒级响应有了基础保障;二是隐私层面用户上传的图片不必全程上行处理,对一些不愿把私人照片传云端的用户更友好。代价是模型规模、画质、长时窗口都要相对完整版做精简——这也是为什么完整版能稳 10 分钟、Fast 版本端侧目前只做到 60 秒。
灵光App的位置:从"30秒生成应用"到"60秒生成 3D 世界"
灵光App由蚂蚁集团于 2025 年 11 月 18 日推出,定位是全模态通用 AI 助手,最初带着三大功能上线:灵光对话(结构化、可视化的对话回答,能直接生成 3D 数字模型、图表、动画)、灵光闪应用(30 秒自然语言生成可交互小应用)、灵光开眼(视觉理解,对着实物拍照让 AI 识别)。冷启动跑得很快——首日下载 20 万,三天 50 万、四天破 100 万、六天破 200 万,App Store 总榜一度第 6;闪应用累计创建数从 12 月底的 1200 万一路涨到目前的超过 3000 万。
这次"体验世界模型"是灵光在 3D 与多模态生成路线上的延续——闪应用解决的是"AI 帮你写一个能用的小工具",世界模型解决的是"AI 帮你走进一张照片里"。从工程链路上,灵光本身已有的多智能体协作 Agentic 架构(动态调度图像、3D、动画等专用 Agent)正好能把世界模型作为新一类 Agent 接进来,这也是为什么用户在App里用同一个对话框、同一种自然语言指令就能触发新功能,而不是像装独立App那样另起一个入口。
接入方式与可用范围
功能已在灵光App内上线,新版本号 1.0.26 等近期推送已经携带;应用主体在 App Store 与各安卓应用商店均可下载,开发者署名为支付宝相关主体,iOS 与 Android 双端都覆盖。使用上没有付费墙,任意用户更新到最新版后在对话框上传图片即可触发推荐入口;对照片本身没有特别的题材限制,无论是真实照片、游戏截图、绘画作品理论上都能跑。
功能对设备性能有一定要求,因为 LingBot-World-Fast 在端侧推理需要一定的算力支撑——较老或低端机型上的实际帧率与可探索时长可能比官方说的"最长 60 秒"打折扣,目前官方没有给出明确的机型白名单。用户上传图后系统会智能推荐"生成图中世界"等操作选项,也支持直接输入自然语言指令进入流程,不需要记住特定 prompt 句式。
竞品对比:Genie 3、Marble、Sora 2 与端侧路线的差异
放在世界模型这个赛道上看,目前主流玩家的路线分歧很明显。Google DeepMind 的 Genie 3 是闭源云端方案,画质和长时窗口都强,但用户没法本地部署,也没有移动端入口;李飞飞的 Marble 路线偏空间关系理解,更多是研究侧;英伟达把世界模型拆成预测、风格迁移、推理三类细分产品;OpenAI Sora 2 这类是预渲染视频生成,根本不在世界模型的"实时可交互"定义内。
LingBot-World 这一支的定位与 Genie 3 最接近——通用世界模型,作为具身智能、自动驾驶、游戏仿真的基础设施——但选择走完全开源路线(Apache 2.0),完整版的代码和权重都已经在 Hugging Face、ModelScope 上线。Fast 端侧版这次落到灵光App,是同赛道里第一个把世界模型"消费产品化"的尝试:Genie 3 没有手机入口,Marble 不做产品级交互,Sora 不能实时探索,灵光这次实际上把"业内首个移动端世界模型体验"这块空地占了。
横向对比的另一个维度是质量和长度——完整 LingBot-World 在桌面端能做到 16 FPS、近 10 分钟稳定生成、毫秒级响应、Zero-shot 泛化;移动端 Fast 版本受限于端侧算力,分钟级长时一致性 + 60 秒可探索是当前折中点,画质和动作精细度也都有相应妥协。
实用场景:创意、设计、教育、轻度娱乐为主
60 秒、第一人称、可走动、上传一张图就出场景这套组合,决定了它的实用边界更靠近"轻量探索 + 灵感激发"而不是"严肃创作"。可以直接看到的几类用法:把家里某张装修照片丢进去看看走进去是什么感觉,这是设计预览的雏形;老师把课本里的一张古迹照片丢进去让学生从内部看一圈,这是科普可视化;写故事的人把一张氛围参考图丢进去找场景灵感,这是创作辅助;旅游博主把目的地的一张街景丢进去预演镜头走位,这是内容生产前置。
共性都是"低门槛、强直觉、用一两次就抓到价值",而不是替代专业 3D 工具。这条产品定义和灵光闪应用是一脉相承的——做的不是给专业人加一个新工具,而是把原本只有专业人能用的能力下放到普通人手机里。
局限与待解问题
几个实际限制摆在那里。
其一,60 秒上限相对完整版的 10 分钟差距明显,复杂或长序列的探索任务(比如跟着 AI 走完一栋大楼)现阶段做不到,用户会反复触发"重新生成"才能延展。
其二,端侧推理对设备性能有要求,中低端机型上的实际帧率、延迟、可生成时长可能都达不到宣传上限,官方目前没有公开的机型/算力门槛说明。
其三,世界模型本身在控制精细度、长时漂移、复杂物理一致性上仍是开放问题,Fast 端侧版本受限更明显——镜头快速转动后回头、靠近物体看细节、要求 AI 改变天气/风格等操作的稳定性还没有大规模真实用户验证数据。
其四,从单张图片出发的世界生成本质上是 AI 在做"想象式扩展",与照片真实环境的几何对应关系是近似而非精确的,不能拿生成结果作为真实空间测量或勘察依据。
其五,目前是单次会话式体验,没有跨会话记忆、无法存档、不能导出 3D 资产,也还没看到与灵光闪应用、灵光对话之间打通的复用机制——理论上"生成的 3D 世界"应该可以变成闪应用里的可分享物件,但产品形态目前仍是一个独立的 60 秒沉浸式 demo。
其六,LingBot-World-Fast 的具体模型规模、量化策略、端侧推理框架(是否走自家移动端推理引擎、是否调用 NPU)官方没有披露,第三方评测和复现的窗口暂时打不开。
其七,功能上线只有数小时,没有官方独立演示视频,App 内现有"开眼"与 3D 能力可以提供大致预期,但严肃的实测体感、稳定性、不同机型差异都还需要更多用户反馈来还原。
整体看,这次更新对世界模型赛道的实质意义在于把"可在手机上玩"这一档位的选项从无变成有:之前讨论世界模型只能围绕开发者和云端服务展开,现在普通用户在地铁里花十几秒就能上手一个 60 秒的 3D 探索体验。对蚂蚁来说,灵光从 11 月的"30 秒生成可交互应用"到 4 月的"60 秒生成可走动 3D 世界",把"AI 平权 + 移动端 + 端侧 Agentic"这条产品线再往前推了一步;对世界模型这个技术方向来说,端侧版本虽然在质量上做了妥协,但消费级渗透的价值在长期看比单纯堆指标更可能形成生态。