在生成式 AI 迅猛发展的当下，从文本生成单个 3D 资产已趋成熟，但构建大规模、可导航的沉浸式 3D 世界仍面临几何一致性、风格统一与交互支持的挑战。Meta 最新发布的 WorldGen 系统，通过分层扩散模型与程序化规划，实现了从单句提示生成 50×50 米完整 3D 场景的能力。该系统输出网格化（mesh）结构，直接兼容 Unity/Unreal，支持实时 NeRF 渲染与物理交互，标志着文本到沉浸式世界的工程化跃进。
WorldGen 的核心观点在于 “全局布局先行，分层精修后置”，避免了传统方法从单一视角局部扩展导致的远处退化问题。其管道分为四个阶段：规划、重建、分解与精修，每阶段嵌入特定扩散模型，确保从宏观布局到微观纹理的全链路一致性。
首先，规划阶段采用程序化 blockout 生成初始布局。通过扩散模型从文本提示（如 “卡通中世纪村庄”）推断场景拓扑，提取导航网格（navmesh）。工程参数上，建议 navmesh 分辨率设为 0.5–1 米 / 单元，确保路径规划覆盖率 > 95%；blockout 迭代步数控制在 50–100 步，避免过拟合提示词。参考图像生成使用多视图扩散（e.g., 8–12 视角），以指导后续重建。
重建阶段将参考图像转为 3D 基础模型。核心是图像到 3D 扩散模型，结合 navmesh 约束生成场景几何与初始纹理。关键参数包括扩散噪声スケール（scale=0.02–0.05），控制几何保真度；纹理分辨率初始为 512×512，后续上采样至 2K。证据显示，此阶段输出已在 50m 范围内保持几何一致，远超 Gaussian Splatting 方法在 3–5m 外崩坏的局限。
分解阶段引入加速版 AutoPartGen，将场景拆分为独立对象（如房屋、道路）。阈值设置：部件提取 IoU>0.7，数据整理时过滤小物体（体积 < 1% 场景）。这便于后续编辑与交互，例如用户拖拽钟楼而不破坏广场布局。
精修阶段优化整体：图像增强提升细节，网格精修模型修复拓扑漏洞，纹理生成模型统一风格。参数清单包括：网格精修学习率 1e-4，迭代 200 epochs；纹理扩散步数 100–200，风格一致性损失权重 0.3。最终输出 mesh 支持 NeRF 渲染，实时 FPS 目标 > 60@1080p。
落地实施时，监控要点不可忽视。部署清单：1) 一致性度量 —— 跨视图 Chamfer 距离 <0.1，纹理 LPIPS<0.2；2) 交互测试 ——navmesh 连通率 100%，碰撞检测漏检 < 1%；3) 性能阈值 —— 生成延迟 < 5min（A100×8），内存峰值 < 80GB；4) 回滚策略 —— 若一致性 < 阈值，fallback 到局部修复扩散，仅重生成问题区域。
风险控制：当前规模限 50×50m，超大场景易累积误差，建议分块生成（block=25×25m，重叠 10%）；高算力需求下，云端优先，监控 GPU 利用率 > 90%。未来扩展可增程序化规则增强布局多样性。
WorldGen 不复述新闻，而是提供可操作框架：开发者可 fork 管道，调参适应游戏 / 仿真场景。相比 World Labs Marble，其 mesh 优先确保功能性，而非纯视觉。
资料来源：Meta WorldGen 论文（fbcdn PDF）；新浪财经报道（2025-11-22）。