Mundo是一个面向机器人的世界模型项目，尝试把某个真实地点的照片变成机器人可以探索、交互的场景。它的核心思路不是直接生成一段只能观看的视频，而是先构建可编辑的3D场景结构和场景数据，模拟场景状态如何变化，再由视频模型呈现模拟结果。212

先模拟场景，再渲染画面

Mundo的项目介绍称，系统会为照片中的环境建立一个3D代理表示，并在场景程序中记录物体、物体位置和物理属性。程序还会描述场景状态随时间变化的规则。2 换句话说，系统试图表示的不只是房间看起来是什么样，也包括可以被修改、用于模拟的信息。

一份二手技术梳理称，这条流程使用物理模拟器，主要是MuJoCo，再用经过微调的视频模型渲染模拟结果。该梳理还提到，视频模型基于MiniMax-H3的参考图生视频系统，并使用约4万对视频进行适配；这些细节并未出现在本文所引的Hugging Face项目介绍摘录中。12

照片输入能做什么

Pandaily的报道页面称，Mundo可以将现实地点的1至12张照片转换为带物理属性、可编辑的3D场景，用来渲染机器人在其中导航和操作的过程。15 项目介绍也说明了其从特定地点图像构建场景模型的总体方向。2

不过，现有材料没有完整说明系统如何分别处理单张照片和多张照片。单张照片无法展示房间或物体的所有侧面，多视角照片则能提供更多观察信息；但现有来源没有证实具体的几何重建方法、相机位姿恢复流程，或系统如何补全未拍摄到的区域。因此，这些具体步骤目前不宜当作已确认能力来描述。

为什么要让场景可编辑

明确的场景表示，理论上可以让使用者调整物体或其属性，并在模拟环境中测试动作。机器人技术网站的介绍称，Mundo可在场景程序中加入质量、摩擦力等属性，并使用物理引擎计算运动、接触和碰撞；该介绍也提到，智能体可以编辑场景中的物体、属性和动作。7 项目被定位为用于机器人测试和训练的交互式环境构建工具。715

理解这一设计时，可以把“场景状态”和“画面呈现”分开看：场景程序负责表示物体及其物理行为，视频模型负责生成视觉结果。相比单靠生成像素来代表环境，Mundo强调的是先建立可操作的场景，再呈现模拟发生了什么。212

现有资料尚未证实的细节

目前提供的来源没有确认一些更具体的技术流程，例如物体边界框检测、视觉语言编辑与审查智能体、数值优化，以及长相机路径和重叠渲染片段的具体处理方式。它们也未证实酒店楼层导航、操作洗衣机或摆放家居物品等具体演示，更没有足够依据核实重建耗时、帧率、GPU数量和推理设置等性能数字。

关于小物体可能悬浮、场景缺乏长期记忆，以及特定图像或视频片段分辨率的说法，也存在同样的证据限制。这些细节或许出现在更完整的项目材料中，但现有摘录并未提供支持。较稳妥的概括是：Mundo被描述为一种面向机器人探索和交互的照片转场景系统，结合了可编辑的3D代理、物理模拟与视频渲染。2712

发布时间与计划发布

Hugging Face社区文章的日期是2026年10月23日。2 Pandaily在10月31日的页面称，代码和权重计划于11月底前发布；但现有材料无法确认该计划后来是否兑现。15

Mundo是一个面向机器人的世界模型项目，尝试把某个真实地点的照片变成机器人可以探索、交互的场景。它的核心思路不是直接生成一段只能观看的视频，而是先构建可编辑的3D场景结构和场景数据，模拟场景状态如何变化，再由视频模型呈现模拟结果。212

先模拟场景，再渲染画面

Mundo的项目介绍称，系统会为照片中的环境建立一个3D代理表示，并在场景程序中记录物体、物体位置和物理属性。程序还会描述场景状态随时间变化的规则。2 换句话说，系统试图表示的不只是房间看起来是什么样，也包括可以被修改、用于模拟的信息。

一份二手技术梳理称，这条流程使用物理模拟器，主要是MuJoCo，再用经过微调的视频模型渲染模拟结果。该梳理还提到，视频模型基于MiniMax-H3的参考图生视频系统，并使用约4万对视频进行适配；这些细节并未出现在本文所引的Hugging Face项目介绍摘录中。12

照片输入能做什么

Pandaily的报道页面称，Mundo可以将现实地点的1至12张照片转换为带物理属性、可编辑的3D场景，用来渲染机器人在其中导航和操作的过程。15 项目介绍也说明了其从特定地点图像构建场景模型的总体方向。2

不过，现有材料没有完整说明系统如何分别处理单张照片和多张照片。单张照片无法展示房间或物体的所有侧面，多视角照片则能提供更多观察信息；但现有来源没有证实具体的几何重建方法、相机位姿恢复流程，或系统如何补全未拍摄到的区域。因此，这些具体步骤目前不宜当作已确认能力来描述。

为什么要让场景可编辑

明确的场景表示，理论上可以让使用者调整物体或其属性，并在模拟环境中测试动作。机器人技术网站的介绍称，Mundo可在场景程序中加入质量、摩擦力等属性，并使用物理引擎计算运动、接触和碰撞；该介绍也提到，智能体可以编辑场景中的物体、属性和动作。7 项目被定位为用于机器人测试和训练的交互式环境构建工具。715

理解这一设计时，可以把“场景状态”和“画面呈现”分开看：场景程序负责表示物体及其物理行为，视频模型负责生成视觉结果。相比单靠生成像素来代表环境，Mundo强调的是先建立可操作的场景，再呈现模拟发生了什么。212

现有资料尚未证实的细节

目前提供的来源没有确认一些更具体的技术流程，例如物体边界框检测、视觉语言编辑与审查智能体、数值优化，以及长相机路径和重叠渲染片段的具体处理方式。它们也未证实酒店楼层导航、操作洗衣机或摆放家居物品等具体演示，更没有足够依据核实重建耗时、帧率、GPU数量和推理设置等性能数字。

关于小物体可能悬浮、场景缺乏长期记忆，以及特定图像或视频片段分辨率的说法，也存在同样的证据限制。这些细节或许出现在更完整的项目材料中，但现有摘录并未提供支持。较稳妥的概括是：Mundo被描述为一种面向机器人探索和交互的照片转场景系统，结合了可编辑的3D代理、物理模拟与视频渲染。2712

发布时间与计划发布

Hugging Face社区文章的日期是2026年10月23日。2 Pandaily在10月31日的页面称，代码和权重计划于11月底前发布；但现有材料无法确认该计划后来是否兑现。15