Mundo 是一個面向機械人訓練與測試的 world model（世界模型）項目，目標是把特定地點的相片轉成機械人可以探索、互動的場景。它的關鍵想法，是先用可編輯的 3D 結構和場景資料代表環境，模擬場景如何改變，再用影片模型呈現結果；因此，它和只生成一段供人觀看的影片有所不同。212

先模擬場景，再呈現畫面

Mundo 的項目介紹指，系統會為相片中的環境建立 3D 代理場景（3D proxy），並以場景程式記錄物件、物件的位置及物理屬性，也描述場景狀態如何隨時間更新。2 換句話說，系統想建立的不只是房間表面的影像，而是一個可以編輯、亦可用來模擬的環境模型。

另一份技術資料則形容，流程會使用物理模擬器（主要是 MuJoCo），再由微調過的影片模型呈現模擬結果。該資料亦稱，影片模型以 MiniMax-H3 的 reference-to-video 系統為基礎，利用約 4 萬組影片配對作微調；不過，這些技術細節並未出現在現有 Hugging Face 摘錄中。12

相片輸入可以做到甚麼？

Pandaily 的介紹稱，Mundo 可由同一實景的 1 至 12 張相片建立具物理屬性的可編輯 3D 場景，用來呈現機械人在環境中的導航和操作。15 Hugging Face 的項目介紹亦支持其較概括的做法：由影像建立特定地點的世界模型。2

不過，現有資料未有完整說明系統如何分別處理一張相片和多張相片。單張相片看不到房間或物件的所有角度；多個視角則能提供更多觀察資料，但現有來源沒有確認實際採用哪種重建方法、如何恢復相機位置，或如何補上未拍攝到的區域。因此，這些具體步驟目前不宜當作已獲證實的功能。

為何要有可編輯的場景？

有明確的場景表示，研究人員便可以改動物件或其屬性，再在模擬環境中測試動作。機械人技術網站的摘要稱，Mundo 可在場景程式中加入質量、摩擦力等物理屬性，並透過物理引擎計算運動、接觸和碰撞；摘要亦提到，代理程式可以修改場景中的物件、屬性和動作。7 項目被定位為建立互動環境，供機械人測試和訓練。715

理解這套系統時，可以把「場景狀態」和「畫面呈現」分開看：物件及其物理行為由場景程式表示，影片模型則負責提供視覺效果。這種設計重點，和單靠生成像素來代表環境並不一樣。212

現有資料未能確認的細節

部分說法提到物件方框偵測、視覺語言編輯代理、審核代理、數值最佳化，以及長鏡頭路徑如何處理、如何把重疊片段接起來；但現有來源沒有記錄這些流程的具體細節，也未能證實相關示範，例如在酒店導航或操作家居物件，或重建所需時間、影片幀率、GPU 數量和推理設定等數字。

小物件會否浮起、場景是否具備長期記憶，以及特定圖片或影片片段的解像度等說法，同樣未獲現有摘錄支持。更完整的項目資料或有提及這些內容，但以目前可查到的材料，最穩妥的概括是：Mundo 被描述為一套把可編輯 3D 代理場景、物理模擬和影片呈現結合起來的系統，目的是讓機械人在場景中探索和互動。2712

何時推出？

Hugging Face 的社群文章刊於 2026 年 10 月 23 日。2 Pandaily 在 10 月 31 日的介紹稱，程式碼和模型權重預計於 11 月底推出；但現有資料沒有確認其後是否如期發布。15

Mundo 是一個面向機械人訓練與測試的 world model（世界模型）項目，目標是把特定地點的相片轉成機械人可以探索、互動的場景。它的關鍵想法，是先用可編輯的 3D 結構和場景資料代表環境，模擬場景如何改變，再用影片模型呈現結果；因此，它和只生成一段供人觀看的影片有所不同。212

先模擬場景，再呈現畫面

Mundo 的項目介紹指，系統會為相片中的環境建立 3D 代理場景（3D proxy），並以場景程式記錄物件、物件的位置及物理屬性，也描述場景狀態如何隨時間更新。2 換句話說，系統想建立的不只是房間表面的影像，而是一個可以編輯、亦可用來模擬的環境模型。

另一份技術資料則形容，流程會使用物理模擬器（主要是 MuJoCo），再由微調過的影片模型呈現模擬結果。該資料亦稱，影片模型以 MiniMax-H3 的 reference-to-video 系統為基礎，利用約 4 萬組影片配對作微調；不過，這些技術細節並未出現在現有 Hugging Face 摘錄中。12

相片輸入可以做到甚麼？

Pandaily 的介紹稱，Mundo 可由同一實景的 1 至 12 張相片建立具物理屬性的可編輯 3D 場景，用來呈現機械人在環境中的導航和操作。15 Hugging Face 的項目介紹亦支持其較概括的做法：由影像建立特定地點的世界模型。2

不過，現有資料未有完整說明系統如何分別處理一張相片和多張相片。單張相片看不到房間或物件的所有角度；多個視角則能提供更多觀察資料，但現有來源沒有確認實際採用哪種重建方法、如何恢復相機位置，或如何補上未拍攝到的區域。因此，這些具體步驟目前不宜當作已獲證實的功能。

為何要有可編輯的場景？

有明確的場景表示，研究人員便可以改動物件或其屬性，再在模擬環境中測試動作。機械人技術網站的摘要稱，Mundo 可在場景程式中加入質量、摩擦力等物理屬性，並透過物理引擎計算運動、接觸和碰撞；摘要亦提到，代理程式可以修改場景中的物件、屬性和動作。7 項目被定位為建立互動環境，供機械人測試和訓練。715

理解這套系統時，可以把「場景狀態」和「畫面呈現」分開看：物件及其物理行為由場景程式表示，影片模型則負責提供視覺效果。這種設計重點，和單靠生成像素來代表環境並不一樣。212

現有資料未能確認的細節

部分說法提到物件方框偵測、視覺語言編輯代理、審核代理、數值最佳化，以及長鏡頭路徑如何處理、如何把重疊片段接起來；但現有來源沒有記錄這些流程的具體細節，也未能證實相關示範，例如在酒店導航或操作家居物件，或重建所需時間、影片幀率、GPU 數量和推理設定等數字。

小物件會否浮起、場景是否具備長期記憶，以及特定圖片或影片片段的解像度等說法，同樣未獲現有摘錄支持。更完整的項目資料或有提及這些內容，但以目前可查到的材料，最穩妥的概括是：Mundo 被描述為一套把可編輯 3D 代理場景、物理模擬和影片呈現結合起來的系統，目的是讓機械人在場景中探索和互動。2712

何時推出？

Hugging Face 的社群文章刊於 2026 年 10 月 23 日。2 Pandaily 在 10 月 31 日的介紹稱，程式碼和模型權重預計於 11 月底推出；但現有資料沒有確認其後是否如期發布。15